Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS - Maestria - Cultivos - Oscar Aragon PDF
TESIS - Maestria - Cultivos - Oscar Aragon PDF
TESIS DE MAESTRÍA
La Paz – Bolivia
2020
UNIVERSIDAD MAYOR DE SAN ANDRÉS
FACULTAD DE CIENCIAS GEOLÓGICAS
CARRERA DE INGENIERÍA GEOGRÁFICA
TESIS DE MAESTRÍA
La Paz – Bolivia
2020
ii
DEDICACIÓN
iii
AGRADECIMENTOS
A mis padres, Pedro Aragón y Sabina Oraquine por el apoyo incondicional, ejemplos de
dedicación a la familia.
A mis hermanos, Sergio, Franz, Juani, María, Osvaldo, Roxana, Benito por la lealtad, amistad y
consejos en todo momento.
A mi esposa Maritza, a mis hijos Mauricio y Gabriela, por el incentivo y amor en los momentos
tan importantes de mi vida profesional.
A mi tutor MSc. Javier Núñez, por la paciencia y confianza en mi trabajo, por su disposición en
el desarrollo del trabajo y por su amistad creada a lo largo de estos años.
Agradezco a los tribunales por la disponibilidad, contribución y sugerencias; que son parte de mi
crecimiento personal y profesional.
iv
Resumen
Este trabajo se realizó en el municipio de Okinawa, situada en la zona denominada norte integrado de
Santa Cruz. Tiene como objetivo estimar las áreas agrícolas mediante la clasificación basada en objetos
con imágenes de satélite. Inicialmente se recopiló información cartográfica base, temática oficial,
imágenes del sensor OLI (Operational Land Imager) del satélite Landsat 8 de los meses de ciclo de
producción, y bibliografía necesaria. Seguidamente se realizó el análisis de las imágenes con la selección
de la imagen de referencia, fusión de imágenes (PAN con multiespectral), interpretación visual, análisis
del calendario agrícola y fases fenológicas de los cultivos, levantamiento y análisis de la información de
campo, análisis espectro-temporal con cálculo de índices de vegetación y reflectancias, segmentación de
imágenes, clasificación de imágenes basada en objetos, análisis de consistencia, así como la comparación
de datos. Con lo señalado, se lograron los siguientes resultados: de acuerdo a la interpretación de
imágenes en RGB-564 para el periodo de mayor desarrollo vegetativo, se identificaron 11 objetos:
bosque, cuerpos de agua, zonas urbanas, caminos, suelo descubierto, barbecho (rastrojo), pastizales,
cultivo de soya, caña de azúcar, arroz y maíz; donde la soya presentó tonalidades de amarillo a naranja,
de magenta, rojo a marrón la caña de azúcar, el arroz de azul, rosado, magenta a marrón y el maíz rojo a
marrón; en cambio el bosque, de tonos rojo oscuro a marrón, suelo descubierto celeste a ciano, los
pastizales rojo claro a verde, el barbecho tonalidades de verde a ciano. En tanto, el análisis del
comportamiento espectro-temporal de los cultivos corresponden a 4 escenas, de los cuales, del 19 de
enero al 20 de febrero, fueron los que presentaron mayores valores promedios de índices de vegetación y
reflectancia, principalmente en la banda 5, con los siguientes valores: con un NDVI de 0,81, EVI de 0,71
y reflectancia de 0,48 en la soya; en la caña de azúcar, un NDVI próximos de 0,72, el EVI de 0,54 y
reflectancia de 0,39; en el arroz, alrededor de 0,64 de NDVI, 0,48 de EVI y 0,31 de reflectancia; y
finalmente en el maíz, un NDVI de 0,73 el EVI de 0,61 y reflectancia de 0,43. Mediante la segmentación
de imágenes, se lograron 15921 segmentos con el algoritmo multirresolución y 12047 segmentos con
diferencia espectral. Se estimaron 26071 ha para la soya, 6996 ha de caña de azúcar, 5565 ha de arroz y
1303 ha para el maíz, a través de la clasificación basada en objetos, con una precisión general de 83,18 %
de análisis de matriz de confusión y un índice kappa de 0,79, que indica una considerable precisión en la
clasificación. Se estimaron valores superiores de áreas sembradas en los cuatro cultivos, en relación a las
obtenidas por las instituciones regionales, con las siguientes diferencias: en la soya en 1071 ha a ANAPO
y 5071 ha a CAICO; en la caña de azúcar, en 4996 ha a CAICO; en el arroz, en 565 ha a CAICO, y
finalmente en el maíz, en 303 ha a ANAPO y en 403 ha a CAICO. Con lo señalado, y el uso de la
clasificación de imágenes basada en objetos, se pretende contribuir a las actuales metodologías utilizadas
en los levantamientos y estimaciones de áreas sembradas de cultivos.
Palabras - clave: soya, maíz, arroz, caña de azúcar, OLI, Landsat 8, cultivos.
v
ESTIMATION OF AGRICULTURAL AREAS THROUGH CLASSIFICATION BASED ON
OBJECTS WITH SATELLITE IMAGES, IN THE MUNICIPALITY OF OKINAWA DEL DPTO.
OF SANTA CRUZ
ABSTRACT
This work was carried out in the township of Okinawa, located in the area called the integrated north of
Santa Cruz. Aims to estimate agricultural areas by object-based classification with satellite imagery.
Initially, base cartographic information, official thematic, images of the OLI sensor (Operational Land
Imager) of the Landsat 8 satellite of the months of the production cycle, and necessary bibliography, were
collected. Then the analysis of the images was performed with the selection of the reference image, image
fusion (PAN with multispectral), visual interpretation, analysis of the agricultural calendar and
phenological phases of the crops, survey and analysis of the field information, analysis spectro-temporal
with calculation of vegetation indices and reflectances, image segmentation, object-based image
classification, consistency analysis, as well as data comparison. With the aforementioned, the following
results were achieved: according to the interpretation of images in RGB-564 for the period of greatest
vegetative development, 11 objects were identified: forest, bodies of water, urban areas, roads, bare soil,
fallow ( stubble), grassland, soybean, sugar cane, rice and corn crops; where soy presented shades from
yellow to orange, from magenta, red to brown, sugar cane, rice from blue, pink, magenta to brown and
corn from red to brown; instead the forest, from shades of dark red to brown, bare ground light blue to
cyan, grassland light red to green, fallow shades of green to cyan. Meanwhile, the analysis of the spectro-
temporal behavior of the crops correspond to 4 scenes, of which, from January 19 to February 20, they
presented the highest average values of vegetation and reflectance indices, mainly in band 5 , with the
following values: with an NDVI of 0.81, EVI of 0.71 and reflectance of 0.48 in soybeans; in sugar cane,
an NDVI close to 0.72, the EVI of 0.54 and reflectance of 0.39; in rice, around 0.64 NDVI, 0.48 EVI and
0.31 reflectance; and finally in corn, an NDVI of 0.73, the EVI of 0.61 and reflectance of 0.43. Using
image segmentation, 15921 segments were achieved with the multiresolution algorithm and 12047
segments with spectral difference. 26071 ha were estimated for soybeans, 6996 ha of sugar cane, 5565 ha
of rice and 1303 ha for corn, through object-based classification, with an overall precision of 83.18% of
confusion matrix analysis and a kappa index of 0.79, which indicates considerable precision in the
classification. Higher values of areas planted in the four crops were estimated, in relation to those
obtained by regional institutions, with the following differences: in soybeans in 1071 ha to ANAPO and
5071 ha to CAICO; in sugar cane, in 4996 ha to CAICO; in rice, in 565 ha to CAICO, and finally in corn,
in 303 ha to ANAPO and in 403 ha to CAICO. With the aforementioned, and the use of object-based
image classification, it is intended to contribute to the current methodologies used in the surveys and
estimates of crop planted areas.
vi
INDICE
Pág.
CAPÍTULO 1 ................................................................................................................................ 1
1. INTRODUCCIÓN .................................................................................................................... 1
1.1 ANTECEDENTES. ................................................................................................................. 3
1.2 JUSTIFICACIÓN. .................................................................................................................. 5
1.3 OBJETIVOS. ........................................................................................................................... 7
1.3.1 Objetivo general. .................................................................................................................. 7
1.3.2 Objetivos específicos. ........................................................................................................... 7
1.4 HIPÓTESIS. ............................................................................................................................ 7
CAPÍTULO 2 ................................................................................................................................ 8
2. FUNDAMENTACIÓN TEÓRICA.......................................................................................... 8
2.1 IMPORTANCIA DE CULTIVOS AGRÍCOLAS ................................................................................ 8
• SOYA .................................................................................................................................. 10
• ARROZ ............................................................................................................................... 10
• MAÍZ .................................................................................................................................. 10
• CAÑA DE AZÚCAR .............................................................................................................. 11
2.2 CALENDARIO AGRÍCOLA. ....................................................................................................... 11
2.3 ESTADÍSTICAS AGRÍCOLAS. .................................................................................................... 12
2.3.1 Censos agrícolas. ................................................................................................................ 12
2.3.2 Teledetección agrícola. ...................................................................................................... 13
2.4 PERCEPCIÓN REMOTA. ........................................................................................................... 14
2.4.1 Programa Landsat. ............................................................................................................ 16
2.4.2 Conversión de Números Digitales a Reflectancia. .......................................................... 17
2.4.3 Segmentación ...................................................................................................................... 18
2.5 COMPORTAMIENTO ESPECTRAL DE OBJETOS. ....................................................................... 20
2.5.1 Respuesta espectral de la vegetación. ............................................................................... 20
2.5.2 Índice de vegetación. .......................................................................................................... 23
2.6 SISTEMAS DE INFORMACIÓN GEOGRÁFICA (SIG)................................................................. 26
CAPÍTULO 3 .............................................................................................................................. 27
3. MATERIALES Y MÉTODOS .............................................................................................. 27
3.1 ÁREA DE ESTUDIO. .................................................................................................................. 27
3.2 INSTRUMENTOS. ...................................................................................................................... 28
3.2.1 Información de cartografía base y temático. ................................................................... 28
3.2.2 Datos de sensores remotos. ................................................................................................ 28
3.2.3 Equipos................................................................................................................................ 28
3.2.4 Softwares. ............................................................................................................................ 28
3.3 METODOLOGÍA. ...................................................................................................................... 29
3.3.1 Condiciones de siembra de los principales cultivos. ....................................................... 30
3.3.2 Calendario agrícola. ........................................................................................................... 32
3.3.3 Análisis, selección y descarga de las imágenes de satélite. ............................................. 35
3.3.4 Corrección atmosférica ..................................................................................................... 37
vii
3.3.5 Fusión de imágenes. ........................................................................................................... 39
3.4 Interpretación visual. ............................................................................................................ 40
3.5 ANÁLISIS DEL COMPORTAMIENTO ESPECTRAL DE CULTIVOS Y OTROS OBJETOS. ............... 41
3.6 SEGMENTACIÓN. ..................................................................................................................... 43
3.7 CLASIFICACIÓN. ..................................................................................................................... 47
3.7.1 Análisis de consistencia...................................................................................................... 51
3.8 ANÁLISIS Y COMPARACIÓN DE INFORMACIÓN OFICIAL CON LA GENERADA. ....................... 51
3.9 METADATOS............................................................................................................................ 52
3.9 TRABAJO DE CAMPO. .............................................................................................................. 53
CAPÍTULO 4 .............................................................................................................................. 60
4. RESULTADOS Y DISCUSIONES ....................................................................................... 60
4.1 INTERPRETACIÓN VISUAL DE IMÁGENES. .............................................................................. 60
4.2 TRABAJO DE CAMPO. .............................................................................................................. 64
4.3 ANÁLISIS DEL COMPORTAMIENTO ESPECTRO-TEMPORAL DE LOS CULTIVOS DURANTE EL
PERIODO DE DESARROLLO VEGETATIVO. .................................................................................... 66
4.3.1 Soya. .................................................................................................................................... 69
4.3.2 Caña de azúcar. .................................................................................................................. 75
4.3.3 Arroz ................................................................................................................................... 79
4.3.4 Maíz. .................................................................................................................................... 83
4.4 ESTIMACIÓN DE ÁREAS DE CULTIVO DE SOYA, CAÑA DE AZÚCAR, ARROZ Y MAÍZ A TRAVÉS
DE LA CLASIFICACIÓN DE IMÁGENES BASADA EN OBJETOS. ........................................................ 88
4.4.1 Segmentación. ..................................................................................................................... 88
4.4.2 Clasificación de la imagen y estimación de superficies de cultivos y otros objetos...... 91
4.4.3 Evaluación de la clasificación (Análisis de matriz de confusión). ................................. 98
4.5 ANÁLISIS COMPARATIVO DE LAS ESTIMACIONES OBTENIDAS CON LAS OFICIALES. ........... 100
4.5.1 Análisis de información del Censo Nacional Agropecuario del INE/MDRyT. .......... 100
4.5.2 Análisis de la información de la Asociación de Productores de Oleaginosas y de Trigo
(ANAPO) y otras instancias. .................................................................................................... 102
4.6 COMPARACIÓN DE INFORMACIÓN OBTENIDA Y FUENTES OFICIALES. ................................ 104
4.7 METADATOS.......................................................................................................................... 106
CAPÍTULO 5 ............................................................................................................................ 108
5. CONCLUSIONES Y RECOMENDACIONES.................................................................. 108
6. REFERENCIAS BIBLIOGRÁFICAS. ............................................................................... 112
ANEXOS .................................................................................................................................... 124
viii
LISTA DE FIGURAS
Pág.
ix
LISTA DE TABLAS
Pág.
Tabla 1. Comportamiento de superficies sembradas de los principales cultivos a nivel nacional y
para el departamento de Santa Cruz................................................................................................ 9
Tabla 2. Bandas espectrales de sensores OLI y TIRS del satélite Landsat 8................................ 17
Tabla 3.Principales cultivos, familias y variedades de la zona. .................................................... 31
Tabla 4. Calendario agrícola de los principales cultivos de la campaña de verano 2016/2017. ... 32
Tabla 5. Características de imágenes del sensor OLI del satélite Landsat 8. ............................... 35
Tabla 6. Escenas y fechas de las imágenes del sensor OLI/Landsat 8. ........................................ 36
Tabla 7. Índices de vegetación. ..................................................................................................... 42
Tabla 8. Aplicación de pesos en parámetros utilizados en la segmentación por multirresolución.
....................................................................................................................................................... 45
Tabla 9. Variables y parámetros utilizados en la segmentación. .................................................. 46
Tabla 10. Resumen de variable y parámetros utilizados en la segmentación por diferencia
espectral. ....................................................................................................................................... 46
Tabla 11. Tipología de cultivos y otros objetos identificados. ..................................................... 61
Tabla 12. Objetos presentes colectados en los segmentos muestra. ............................................. 65
Tabla 13. Número de segmentos creados por nivel de segmentación. ......................................... 90
Tabla 14. Superficie estimada de cultivos y otros objetos, a través de las imágenes del sensor
OLI. ............................................................................................................................................... 95
Tabla 15. Comparación de rendimientos estimados por instituciones sectoriales. ....................... 97
Tabla 16. Matriz de confusión par la validación temática. ........................................................... 99
Tabla 17. Superficie, rendimiento y producción estimada de los cultivos de soya, caña de azúcar,
arroz y maíz CNA/INE, 2013. .................................................................................................... 101
Tabla 18. Superficies estimadas de los principales cultivos del municipio de Okinawa, campaña
2016/2017. .................................................................................................................................. 103
Tabla 19. Relación de superficies estimadas por ANAPO, CAICO y por las imágenes del sensor
OLI/Landsat 8. ............................................................................................................................ 104
Tabla 20. Información del metadato del mapa de estimación de áreas de producción agrícola en
el municipio de Okinawa. ........................................................................................................... 106
x
LISTA DE SIGLAS Y ABREVIATURAS
xi
ISO: International Standard Organization
IV: Índice de Vegetación
Landsat: Earth Resources Technology Satellite
LDCM: Landsat Data Continuity Mission
MDRyT: Ministerio de Desarrollo Rural y Tierras
MODIS: Moderate Resolution Imaging Spectroradiometer
NASA: National Aeronautics and Space Administration
NASS: National Agricultural Statistics Service
DN: Digital Number
NDVI: Normalized Difference Vegetation Index
NDWI: Normalized Difference Water Index
NIR: Near Infrared
OLI: Operational Land Imager
PAN: Pancromático
PIB: Producto Interno Bruto
PNUD: Programa de Naciones Unidas para el Desarrollo
RED: Rojo
REM: Radiación Electromagnética
RVI: Ratio Vegetation Index
SAVI: Soil Ajusted Vegetation Index
SENAMHI: Servicio Nacional de Meteorología e Hidrología
SIG: Sistema de Información Geográfica
SUNIT: Sistema Único Nacional de Información de la Tierra
SWIR: Shortware Infrared
TIRS: Thermal Infrared Sensor
TOA: Top of Atmosfhere
USDA: United States Departament of Agriculture
USGS: United States Geological Survey
UTM: Universal Transversa de Mercator
VANT: Vehículo Aéreo No Tripulado
xii
CAPÍTULO 1
1. INTRODUCCIÓN
Del conjunto de satélites de observación de la tierra con sensores diseñados para diferentes
usos, es fundamental considerar la resolución espacial, temporal, espectral y radiométrica, en
el análisis de diversas coberturas, más aun en áreas de producción agrícola, con característica
como: sistemas de producción, zonas de producción, campañas agrícolas y la fenología de los
cultivos; a causa de estos aspectos, aún no pueden ser empleados en gran parte de las parcelas
de las regiones del Altiplano y Valles del país, por tratarse de áreas pequeñas, los cuales
precisan imágenes comerciales de alta resolución espacial. En ese marco de la importancia del
avance de las tecnologías de observación de la tierra, como la puesta en marcha de las
1
constelaciones de satélites con sensores de media resolución espacial, como el Multi-Spectral
Instrument (MSI) de los satélites Sentinel 2 A, Landsat 8 y la continuidad del programa
Landsat con el lanzamiento del satélite Landsat 9 planificado para el año 2023 a bordo con el
multisensor (combina datos provenientes de diferentes Sensores), se presentan como
alternativas para la obtención de datos con resolución espacial y temporal mejorada,
fundamentalmente para el acompañamiento en el monitoreo de las áreas de producción
agrícola y cobertura boscosa.
Por las características y bondades de datos del satélite LANDSAT 8 (Landsat Data Continuity
Mission- LDCM), se utilizaron las imágenes del sensor OLI (Operational Land Imager), con
nueve bandas espectrales, resolución espacial de 30 metros en las bandas de 1 a 7 y 9, y 15
metros en la banda 8 de la región del pancromático (PAN). La resolución temporal de 16 días,
con acceso libre vía internet y disponibles desde el año 2013.
2
1.1 ANTECEDENTES.
Desde hace muchos años, la cuantificación de las áreas de producción agrícola, fue una de las
necesidades para la gestión y planificación de la producción agropecuaria, en términos de
superficie de cultivos sembrados, áreas para la ampliación de la frontera agrícola, etc. En ese
marco, a partir de la aplicación de datos de sensores remotos en la observación de recursos
naturales, y en particular de la actividad agrícola, vienen contribuyendo con éxito en varios
países, como en Estados Unidos, Canadá, Brasil, Argentina, México y países miembros de la
Unión Europea, en levantamientos de información georeferenciada en campo, clasificación
del uso del suelo y cobertura vegetal, monitoreo y seguimiento de cultivos, agricultura de
precisión, y seguimiento forestal, de manera objetiva, precisa, en corto tiempo y a costos
bajos.
3
Figura 1. Estimaciones de áreas de producción de los principales cultivos en el departamento
de Santa Cruz, campaña agrícola 2010/2011 a 2016/2017
Fuente: elaboración propia, con base a la información de MDRyT, 2018.
Las metodologías de encuestas, entrevistas y censos, actualmente siguen siendo las oficiales,
con escasa aplicación de las tecnologías espaciales en el monitoreo de cultivos (soya, maíz,
caña y otros) en el país. Sin embargo, instituciones como el National Agricultural Statistics
Service de Estados Unidos (NASS), Instituto Nacional de Pesquisas Espaciais (INPE) y la
Comisión Nacional de Actividades Espaciales (CONAE) consideran a la teledetección
agrícola y el SIG fundamentales en la gestión y administración de la información
agroproductiva. A manera de muestra de estas aplicaciones, en Sur América se pueden citar
como proyectos con mayor experiencia en el uso de las imágenes de satélite y suborbitales a:
el CANASAT del INPE en Brasil, CENICAÑA en Colombia, el Instituto Nacional de
Tecnología Agropecuaria (INTA) apoyada con la CONAE en Argentina, y recientemente en
nuestro país mediante la ley 144 de Revolución Productiva Comunitaria y la 307 de creación
del Centro Nacional de la Caña de Azúcar (CENACA), dependiente de Instituto Nacional de
Innovación Agropecuaria y Forestal (INIAF) del MDRyT, quienes vienen iniciando algunas
pruebas en el monitoreo e investigación usando tecnología geoespacial para mejorar el
seguimiento y gestión de producción de cultivos, principalmente las agroindustriales.
4
1.2 JUSTIFICACIÓN.
5
responsables e instancias asociadas al sector por campaña agrícola, con metodologías propias
a detalle departamental y no municipal.
Por otra parte, la escasa información georeferenciada temática existente sobre las áreas de
producción agrícola en la zona de estudio, municipios potenciales del norte integrado, la zona
de expansión y en general de los municipios del país, vienen siendo un vacío grande de
información para la gestión continua de datos agrícolas, referente a la ubicación,
identificación, estimación de las áreas sembradas, monitoreo, entre otros, por campaña
agrícola.
6
1.3 OBJETIVOS.
Estimar las áreas agrícolas, mediante imágenes de satélite y clasificación basada en objetos; y
contribuir a las actuales metodologías utilizadas en los levantamientos estadísticos de cultivos.
1.4 HIPÓTESIS.
7
CAPÍTULO 2
2. FUNDAMENTACIÓN TEÓRICA
El INE (2019), señala que existen alrededor de 3.4 millones de hectáreas de superficie
cultivada a nivel nacional para la campaña 2016/2017, en tanto el Sistema Único Nacional de
Información de la Tierra - SUNIT (2010), cuantificó aproximadamente 5.5 millones de
hectáreas de superficie para la producción agrícola nacional; de las cuales, el departamento de
Santa Cruz, principalmente los municipios de la zona integrada y la de expansión, tiene las
áreas de producción agrícola a secano más extensas con mayor producción departamental y
consecuentemente nacional.
8
Según el MDRyT (2018), el comportamiento de las superficies sembradas a nivel nacional y
el departamento de Santa Cruz, referentes a los cultivos de soya, caña de azúcar, arroz y maíz,
presentan variaciones por cada campaña agrícola de verano, el cual se detalla en la tabla 1.
En tanto, los municipios de las regiones del altiplano, valles, chaco e incluso la amazonia, se
caracterizan como zonas con la agricultura tradicional familiar, con un amplio uso de
variedades en los cultivos de papa, quinua, haba, maíz, hortalizas, frutales, yuca, entre otros,
cuyo destino de estos productos, son los mercados locales, municipales y departamentales.
9
• Soya
• Arroz
• Maíz
El maíz (Zea mayz L.), de la familia gramínea, de ciclo anual y origen centroamericano, cuyo
ciclo fenológico varia de 90 a 205 días, dependiendo del genotipo y del clima. El espacio de
siembra entre hileras varía entre 70 a 100 cm y entre plantas de 20 a 30 cm. En su fenología se
distinguen 5 etapas de desarrollo (emergencia, crecimiento, floración, fructificación y
maduración-secado). El maíz se constituye en uno de los principales cultivos de Bolivia y en
una fuente de alimentación básica para las poblaciones ubicadas en las zonas de los valles y
trópico. (Compendio Agropecuario, 2012, p. 53).
10
• Caña de azúcar
La fenología de los cultivos, se refiere a las diferentes etapas de desarrollo del ciclo
productivo; y comprende, desde la emergencia hasta la maduración, y junto al calendario
agrícola es de mucha importancia para las aplicaciones de datos de sensores remotos, misma
que definirá las mejores fechas en la obtención de imágenes de satélite, y las etapas con
buenas características de producción de fitomasa aérea, permitiendo establecer la dinámica
espacio-temporal de los cultivos (Sanches et al., 2005, p. 86) y (Rizzi et al., 2009, p. 389).
La fenología es definida como el estudio de los eventos del ciclo de vida de las plantas,
críticos para su sobrevivencia y reproducción. Las características fenológicas de las especies
reflejan la influencia del medio en el cual se encuentran, en su metabolismo, con
implicaciones sustanciales en el funcionamiento de la planta a nivel de la hoja y su contexto
(Bueno, 2017, p. 25).
11
Jensen (2000), citado por Gurtler (2003), señala que para diferenciar muchos cultivos usando
datos de sensores remotos, es esencial conocer las características de los ciclos fenológicos de
los cultivos. Esta información es utilizada para determinar la época optima de año para
colectar las imágenes, mismas permitan discriminar un cultivo de otra (p. 35).
En ese sentido, el INE junto al MDRyT, son las instancias oficiales nacionales encargadas de
levantar y disponer información estadística agropecuaria; y bajo la dirección de las instancias
mencionadas, el 2012 se realizó el Censo Nacional Agropecuario para los 339 municipios,
información que fue levantada a través de metodologías propias, es decir mediante el llenado
de encuestas a los productores, técnicos y administradores de haciendas a nivel nacional.
12
Asimismo, se debe resaltar que instituciones regionales como la Asociación de Productores de
Oleaginosas y Trigo (ANAPO), desde hace varios años viene realizando levantamientos
estadísticos de la producción agrícola, también con entrevistas y encuestas, específicamente de
los cultivos de soya, sorgo, maíz, girasol y trigo, que es de interés institucional y regional por
campaña agrícola.
La actividad agrícola se ha ido tecnificando con el paso de los años, la maquinaria agrícola es
cada vez más sofisticada y las técnicas agrícolas más concretas y eficientes. En ese sentido de
innovación permanente en la gestión agropecuaria, el uso de las imágenes de satélite, la
agricultura de precisión, y actualmente el uso de artefactos aerotransportados no tripulados
(VANTs), o los llamados Drones, hacen posible de manera objetiva, rápida, precisa y a costos
bajos, la identificación, ubicación, estimación de áreas sembradas, monitoreo y modelamiento
en la producción agrícola y pecuaria.
13
característica, los sensores remotos, con el pasar de los años, son cada vez más utilizados
dentro de monitoreo de áreas agrícolas (Rudorff et al., 2005, p. 22).
Vargas (1992), define la percepción remota como la ciencia y arte de obtener información de
objetos, de un área o fenómeno, a través del análisis de datos adquiridos por instrumentos que
no se hallan en contacto directo con el objeto, área o fenómeno investigado (p.3).
14
Chuvieco (1995), define teledetección espacial como aquella técnica que permite adquirir
imágenes de la superficie terrestre desde sensores instalados en plataformas espaciales, a
través de la interacción de la energía electromagnética, ya sea por la reflexión de la energía
solar o de un haz energético artificial y/o por emisión propia de los objetos. Para ello
considera seis elementos; fuente de energía, cubierta terrestre, sistema de sensor, sistema de
recepción, intérprete y usuario final (p. 27).
Marcelino (2007), Sousa (1999), Vicente (2016) y Formaggio (1989), dedicados al estudio de
recursos naturales, riesgos naturales, monitoreo de cobertura vegetal y monitoreo de cultivos,
afirman que el uso de imágenes de acceso libre, comerciales, de media y alta resolución
espacial, tales como: Landsat 8 (30 y 15 m PAN), Sentinel 2 A (10 y 20 m), EOS-TERRA
(ASTER) de (15 m), CBERS 4 B (20, 10 y 5 m), SPOT de (10 m), IKONOS (1 m), QUICK
BIRD (0.60 m), GEOEYE (0,25 m) y otros; además de las fotografías aéreas, modelos
digitales de terreno y actualmente los datos de VANTs; permiten generar mapas a diferentes
escalas. Estas características mejoran el análisis, identificación, estimación y cuantificación de
variables; como las áreas de producción de cultivos, áreas deforestadas, cicatrices de
movimientos de masa, y entre otros objetos.
15
2.4.1 Programa Landsat.
Las imágenes Landsat 8 obtenidas por el sensor OLI y TIRS, constan de nueve bandas
espectrales, con una resolución espacial de 30 metros para las bandas de 1 a 7 y 9. Una banda
nueva (banda 1, azul-profundo) es útil para estudios costeros y aerosoles. La nueva banda (9)
es útil para la detección de cirrus. La banda 8 (pancromática) posee una resolución espacial de
15 metros. En el caso de del sensor TIRS, poseen dos bandas térmicas 10 y 11, útiles para
proporcionar temperaturas más precisas de la superficie, con una resolución espacial de 100
m. La resolución temporal de 16 días y resolución radiométrica de 16 bits. El tamaño
aproximado de la escena es de 170 km de norte-sur por 183 kilómetros de este a oeste. La
tabla 2 resume las características de bandas de los sensores OLI y TIRS.
16
Tabla 2. Bandas espectrales de sensores OLI y TIRS del satélite Landsat 8.
Longitud de Resolución
Bandas
onda (um) espacial (m)
Landsat 8 Banda 1- Aerosol costero 0,43 – 0,45 30
Operational Land
Banda 2- Azul 0,45 – 0,51 30
Imager (OLI) and
Thermal Infrared Banda 3- Verde 0,53 – 0,59 30
Sensor (TIRS) Banda 4- Rojo 0,64 – 0,67 30
February 11, Banda 5- Infrarrojo cercano (NIR) 0,85 – 0,88 30
2013 Banda 6 – SWIR 1 1,57 – 1,65 30
Banda 7 – SWIR 2 2,11 – 2,29 30
Banda 8 - Pancromático 0,50 – 0,68 15
Banda 9 – Cirus 1,36 – 1,38 30
Banda 10 – Infrarrojo térmico 10,60 – 11,19 100
(TIRS) 1
Banda 11 – Infrarrojo térmico 11,50 – 12,51 100
(TIRS) 2
Fuente: modificado a CIAF/IGAC - USGS, (2013, p. 10).
Las imágenes del sensor OLI y TIRS están vinculadas al Sistema de referencia Geográfica
Worldwide Reference System – 2, siendo que estas informaciones están disponibles en
reflectancia para superficie en el sitio http: glovis.usgs.gov/, USGS, 2017.
En una imagen de satélite, cada pixel está asociado a un nivel de gris o número digital (ND),
que es una representación numérica cuantificada de los valores de radiancia correspondientes
a cada área fotografiada en terreno (Formaggio e Epiphanio, 1990). La conversión de números
digitales obtenidos por sensores orbitales para los valores de radiancia o de reflecctancia,
permite una mejor comparación de datos de imágenes satelitales en diferentes fechas.
Las diferencias entre radiancia y los NDs son determinadas por los parámetros de calibración
del sensor. El ND de un objeto en la banda 4, por ejemplo, puede ser menor que el ND en la
banda 5, sin embargo, la reflectancia de este objeto en la banda 4 puede que sea mayor que en
la banda 5. Es decir, un mismo valor de nivel digital corresponde a diversos valores de
reflectancias (dependiendo de la banda, de la localización de área y de la fecha de toma).
Como los NDs son poco correlacionados con el comportamiento espectral de los objetos, son
17
los datos de reflectancia que deben ser usados cuando se desea analizar el comportamiento
espectral de objetos en imágenes digitales (Epiphanio e Formaggio, 1989). A los autores aún
les llaman la atención por el hecho de que la reflectancia deba ser utilizada también para la
comparación entre bandas espectrales, visto que con los NDs, los resultados obtenidos no
serían coherentes (Sanches, 2004, p. 39).
2.4.3 Segmentación
Bins et al., (1996), mencionan que el proceso de segmentación es uno de los primeros pasos
en el análisis de las imágenes satelitales, una vez que la imagen es dividida en regiones que
mejor representan los objetos relevantes en la imagen (p. 677).
18
heterogeneidad de los objetos, y los cuatro últimos, la homogeneidad. Ellos pueden ser
combinados de varias formas para que el usuario pueda crear objetos homogéneos en
cualquier resolución seleccionada.
Según Baatz y Schape (2000), señala que la principal característica de la segmentación basada
en multiresolución, es la posibilidad de segmentar una misma imagen en diferentes niveles de
escala que se relacionan entre sí, formando una red jerárquica de objetos (p. 12).
19
2.5 Comportamiento espectral de objetos.
Novo (2011), menciona que las propiedades químicas, físicas y biológicas de los objetos
influyen en la interacción entre ellas y la radiación electromagnética (REM), afectando
directamente la porción de energía reflejada (p. 308). Además, considerar a la porción de
REM reflejada o registrada por sensores orbitales, las condiciones atmosféricas, la geometría
de adquisición de datos, el posicionamiento topográfico, entre otras (Ponzoni et al., 2014, p.
6269).
La energía reflejada y emitida por un objeto es la que se mide en percepción remota, donde el
objeto examinado tiene un patrón espectral único que lo hace diferente de otro. Muchos
autores mencionan que las diferencias espectrales entre plantas no se deben solo a las
características propias, sino también a factores externos como la altura del sol en el horizonte,
la inclinación respecto al sol, la reflexión y absorción de la atmósfera, capa de ozono,
presencia de vapor de agua, nubes, temperatura de objetos, el suelo, etc. Estos factores
generan desviaciones de la energía y alteran el valor final reflejada por un objeto, (Murillo y
Carbonelli, 2000, p. 25).
20
absorciones de energía debido a la presencia de pigmentos fotosintéticos como la clorofila y
carotenos. La estructura celular tiene los valores más elevados de reflectancia en el infrarrojo
cercano.
La hoja es el componente de las plantas que más influencia presenta a las propiedades de los
doseles de manera general y más en el caso de los cultivos agrícolas, es por eso el
conocimiento de sus propiedades ópticas es muy importante. Donde la cantidad de energía que
reflejan las hojas de las plantas, es función de la incidencia de la radiación solar, asimismo la
cantidad de energía absorbida, es el monto de energía transmitida. De forma sucinta, el
comportamiento espectral de las hojas en la región del visible, es determinado por la
concentración de clorofila y otros pigmentos, en el infrarrojo próximo es afectado por la
estructura del mesófilo, y en el infrarrojo medio es influida por las propiedades ópticas del
agua y de los tejidos (Sanches, 2004, p. 35).
Las características de reflectancia de los doseles, varían con las propiedades ópticas de suelo,
hoja, morfología del dosel y dirección de visada e iluminación. La morfología del dosel,
referente a la posición geométrica del follaje en el espacio, varia con los cambios en las
variables agronómicas (como el estado de maduración, índice de área foliar, y el porcentaje de
cobertura de suelo) y factores culturales y ambientales (época de siembra, variedad, densidad
de siembra).
Al respecto, Sanches (2004), divide el ciclo de las fases fenológicas de cultivos agrícolas en
tres: 1) considera la siembra, germinación y el desarrollo inicial; donde el cultivo no cubre
totalmente la superficie del suelo, y por eso aún el dominio de suelo en las interacciones con
21
la radiación electromagnética; 2) el dosel ya está formado, y en la mitad de esta fase, se
encuentra la floración y formación de granos, con dominio de la cobertura verde en las
interacciones del cultivo y la radiación; 3) maduración y senecencia, con dominio espectral de
vegetación seca junto al suelo expuesto (p. 36).
En la fase inicial i), las características de suelo, materia orgánica, humedad, minerales
presentes son los principales elementos que influyen en la reflectancia del área cultivada. Por
ejemplo, los suelos oscuros, ricos en materia orgánica, son responsables por bajos valores de
reflectancia en la región del infrarrojo cercano. En tanto la presencia de rastrojo (restos de
cultivo anterior) es característico de sistemas de siembra directo, los cuales presentan valores
más elevados (Montibeller, 2018, p. 9).
En tanto en la fase ii), se caracteriza por una mayor influencia de los doseles en los valores de
reflectancia, una vez que este es recubierto el espacio entre las hileras de las plantas. Las hojas
generalmente son los predominantes en un dosel, es por eso las características de influencia de
forma expresiva en la reflectancia. Dentro de las características de las hojas, se puede destacar
cantidades de hojas, posición, orientación espacial, si como la estructura interna de las mismas
(Ponzoni y Shimabukuro, 2010, p. 69).
22
ocurre un aumento de número de hojas o que está relacionado con un atributo biofísico de
vegetación denominado Índice de Área Foliar (IAF). Este índice representa el valor de área
foliar por unidad de área de terreno (Watson, 1947).
Los valores del NDVI, se distribuyen en función de la energía absorbida y reflejada por las
plantas en diversas partes del espectro electromagnético. La respuesta espectral que tiene la
vegetación sana, muestra un claro contraste entre el espectro del visible, la banda roja, y el
infrarrojo cercano (NIR).
Mientras que en el visible los pigmentos de la hoja absorben la mayor parte de la energía que
reciben, en el NIR, las paredes de las células de las hojas que se encuentran llenas de agua,
reflejan la mayor cantidad de energía. En contraste, cuando la vegetación sufre algún tipo de
estrés, ya sea por presencia de plagas o por sequía, la cantidad de agua disminuye en las
23
paredes celulares por lo que la reflectividad disminuye en el NIR, y aumenta paralelamente en
el rojo al tener menor absorción clorofílica. Esta diferencia es la respuesta espectral que
permite separar con relativa facilidad la vegetación sana de otras cubiertas.
El cálculo del NDVI implica el uso de una relación matemática con dos bandas, el Infrarrojo
Cercano (NIR) y el rojo (RED).
(𝑵𝑰𝑹 − 𝑹)
𝐍𝐃𝐕𝐈 =
(𝑵𝑰𝑹 + 𝑹)
Donde el NIR es la reflectancia espectral del canal infrarrojo cercano y RED representa la
reflectancia en el canal rojo del visible. Esta fórmula indica que existe una relación inversa
entre el valor de reflectancia de estas bandas, por lo que es posible su uso para discriminación
de cubiertas vegetales. Los valores de este índice fluctúan entre -1 y 1. Diversos estudios y
publicaciones señalan que valores por encima de 0.1 indican presencia de vegetación, y entre
más alto sea el valor las condiciones de vigor son mejores (Subira, 2013, p 31-32).
Gao et al., (2000), citado por Murillo y Carbonelli (2012), señalan que el EVI es más sensible
a los valores elevados de biomasa y no se satura como el NDVI. El EVI responde mejor a las
variaciones estructurales del dosel (cobertura aérea vegetal) como el índice aérea foliar, la
fisionomía de la planta y el tipo del dosel. Dadas las condiciones tropicales de la región,
donde hay un alto porcentaje de humedad en la atmósfera, también resulta más práctico el EVI
que el NDVI, (p. 92).
Este índice se optimizó a partir del NDVI aumentando la sensibilidad en las regiones de alta
biomasa y mejoró el monitoreo de la vegetación mediante la disociación de la señal del fondo
del dosel y una reducción de la influencia atmosférica. La ecuación utilizada para su obtención
se indica a continuación:
24
(𝑵𝑰𝑹 − 𝑹)
𝐄𝐕𝐈 = 𝑮 ∗
(𝑵𝑰𝑹 + 𝑪𝟏 ∗ 𝑹 − 𝑪𝟐 ∗ 𝑩 + 𝑳)
Dónde:
NIR = Reflectancia de la banda del infrarrojo cercano (banda 5)
R = Reflectancia de la banda roja – RED (banda 4)
B = Reflectancia de la banda azul – BLUE (banda 2)
L = Ajuste del fondo del dosel, siendo L = 1
G =Factor de ganacia, siendo G = 2,5
C1 = Coeficientes de resistencia de aerosoles, siendo C1 = 6
C2 = Coeficientes de resistencia de aerosoles, siendo C2 = 7,5
Este índice incorpora un valor ¨L¨ para realizar un ajuste en relación al canopeo, un valor ¨C¨
cómo coeficiente de resistencia de la atmósfera, y un valor correspondiente a la banda azul
(B). Teniendo en cuenta estos coeficientes, se realiza una corrección del índice normal
reduciendo los ruidos producto de la interferencia de la atmósfera, el canopeo y la saturación.
Los valores oscilan entre 0 a 1, próximos a 0 menor vigorosidad y cercanos a 1 vegetación
saludable
Numerosos trabajos vienen utilizando estos índices para estimar atributos biofísicos de
vegetación, como productividad (Mkhabela et al., 2011), biomasa (Moges et al., 2005), entre
otros investigadores.
25
2.6 Sistemas de Información Geográfica (SIG).
Burrough (1998), define SIG como conjunto de herramientas que permite colectar, almacenar,
recuperar, transformar y visualizar datos del mundo real (p. 333).
Davis y Cámara (2001), señalan que para el tratamiento de las informaciones obtenidas a
través de percepción remota, es recomendable la utilización del SIG. Esta tecnología utiliza
operaciones matemáticas y métodos computacionales para procesamiento de informaciones, a
través de correlaciones espaciales, temáticas, temporales y topológicas (p. 1).
26
CAPÍTULO 3
3. MATERIALES Y MÉTODOS
27
3.2 Instrumentos.
✓ Escenas de las imágenes del sensor OLI/ Landsat 8, con PATH/ROW 231/072 y
230/072 correspondiente a los meses de producción agrícola de la campaña de verano
2016/2017.
3.2.3 Equipos.
3.2.4 Softwares.
28
3.3 Metodología.
29
Con base a estudios y recomendaciones en la aplicación de las imágenes de satélites,
específicamente el Landsat TM y 8, orientados en el análisis de objetos de uso de suelo y
cobertura; para el presente estudio, el análisis de trabajo fue a escala 1:75.000, con la unidad
mínima cartografiable próximos a 6 ha. Complementariamente al área mínima recomendada
por bibliografía, a través del trabajo de campo realizado, así como los testimonios de técnicos
y productores de la zona, las áreas mínimas sembradas oscilan entre 2 a 5 ha. Para ello se
consideraron los siguientes parámetros geodésicos nacionales establecidos por el IGM:
30
En cuanto a las principales variedades de cultivos más utilizadas por los productores para la
campaña de verano 2016/2017, se describen en la tabla 3; y de acuerdo a los testimonios de
técnicos de CAICO, EMAPA y CENACA, estas variedades son las que mejor se adaptaron a
las condiciones edafoclimáticas de la zona; en términos de desarrollo de follaje, rendimiento,
resistencia a plagas, enfermedades, entre otras.
Fuente: elaboración propia, con base al manual técnico de soya de ANAPO, 2017 y la
información técnica de CAICO, EMAPA y CENACA, 2018.
31
3.3.2 Calendario agrícola.
Preparación de suelo
Soya Siembra
Cosecha
Preparación de suelo
Maíz Siembra
Cosecha
Preparación de suelo
Arroz Siembra
Cosecha
Preparación de suelo
Caña de
azúcar Siembra
Cosecha
Fuente: elaboración propia, con base a la información de CAICO y ANAPO 2018.
Según la tabla 4, el inicio de la siembra de la soya y maíz, comienza con las primeras lluvias
de la campaña agrícola, en este caso a finales de octubre, noviembre e incluso diciembre. En
el caso del arroz la siembra realizan desde la segunda quincena de octubre hasta la primera
quincena de diciembre; en la caña de azúcar de año, las siembras inician desde el mes de abril
32
hasta julio, en otras zonas del norte integrado incluso hasta octubre, y en la caña denominada
soca, que es el rebrote de las plantas después de la cosecha, o conclusión de la zafra (julio a
octubre); todo ello bajo condiciones a secano, es decir que dependen de las lluvias para
completar los ciclos agrícolas. En tanto, bajo sistema de riego por inundación como es el caso
de la producción de arroz, precisa de la gestión eficiente del agua proveniente de los ríos, los
cuales también reciben el aporte permanente del agua de las lluvias. Estas características de
producción, así como el manejo de información estadístico por parte de EMAPA, ANAPO y
otras instancias, vienen siendo administrados en tres zonas; Okinawa 1 al norte del municipio,
Okinawa 2 al centro y 3 al sur (ANAPO, 2018).
Según técnicos de CENACA (2016) y EMAPA (2017), señalan que el ciclo de la caña de
azúcar es semi-perenne y la cosecha puede ser realizada en alrededor de 365 días para caña de
año, y alrededor de 540 días caña de año y medio después de la siembra. La caña de año
normalmente permanece como rebrote entre 6 a 8 años de plantación en el caso boliviano y en
otras latitudes varía este dato; y posterior a ese periodo las socas de caña son renovadas. La
cosecha de la caña es practicada normalmente en los meses secos del año, con más intensidad
de julio, agosto a octubre.
En tanto el arroz, presenta un ciclo entre 115 a 130 días en variedades de ciclo corto a medio,
mayor a 150 días las de ciclo largo. En el maíz, entre 120 días el ciclo corto, para municipios
del norte integrado (FENCA-CAISY-CONARROZ, 2013, p. 15). Y por las condiciones casi
similares en el uso de variedades, en la zona de estudio también son las mismas especies las
que se cultivan por las características favorables de producción.
Los mismos autores, señalan que el ciclo de producción de arroz puede ser dividido en tres
fases distintas: la vegetativa, reproductiva y maduración; la fase vegetativa es determinada a
partir de la germinación de la primera semente hasta el periodo en que la panícula se comienza
33
a diferenciar y tiene una duración entre 41 a 51 días. La fase reproductiva tiene una duración
de aproximadamente de 30 a 35 días, iniciando con la diferenciación del primordio de la
panícula y finalizando con la floración. La última fase, es la de maduración teniendo su inicio
después de la floración y terminando con la maduración total de las sementes, esta fase
representa una duración de alrededor de 30 días (p. 15).
En ese entendido, por las características de las variedades, sistemas de producción a secano y
sistemas de riego, tienen comportamientos distintos en la visión de los sensores remotos,
principalmente en el desarrollo vegetativo inicial, donde las parcelas del cultivo de arroz se
encuentran en áreas totalmente inundadas por agua, presentando una respuesta espectral
diferente a las áreas de cultivos a secano, donde presentan una mayor predominancia de suelo
que las plantas. El conocimiento de las características agronómicas de los cultivos, es
fundamental para la mejor comprensión del comportamiento espectral en las imágenes de
satélite.
34
como la interacción entre las ondas electromagnéticas con las características físicas,
biológicas o químicas de la cubierta en estudio (Fujisada, 1998; Chuvieco, 2002; Richards y
Jia, 2006; Jensen, 2005).
Chuvieco (1996), señala que mediante las imágenes de sensores remotos es posible identificar,
cuantificar y hacer estimaciones precisas de áreas cultivadas en una determinada región.
Queda el desafío en discriminar cuales de las especies son cultivadas en estas áreas. Para
intentar resolver este problema se debe conocer la fenología de cultivo y relacionarla con el
comportamiento espectro temporal de las mismas (p. 568).
Para el desarrollo del presente estudio, se utilizaron imágenes del sensor OLI del satélite
Landsat 8 transformadas para reflectancia de superficie, correspondientes a las escenas del
PATH/ROW 231/072 y 230/072 de los meses de enero, febrero y marzo del año 2017,
preferentemente libre de nubes; y no fueron considerados las imágenes de noviembre y
diciembre de 2016, así como parte del mes de marzo, abril hasta junio de 2017 por presentar
alto porcentaje de nubes. Bajo estas características, se realizó el download de las imágenes
seleccionadas del sitio web: http://earthexplorer.usgs.gov/, level 2A product, los cuales
presentan corrección geométrica y radiométrica (USGS, 2018). (Tabla 5),
35
Se hace notar, que las imágenes descargadas corresponden al periodo lluvioso de los meses
mencionados párrafo arriba, y con base al análisis complementario del calendario agrícola, así
como las fases fenológicas, las imágenes libres de nubes corresponden a la fase de mayor
desarrollo vegetativo de los cultivos considerados y más importantes de la zona. Resaltar que
en el presente estudio, se optó por una imagen de referencia de varias escenas, en este caso la
imagen con PATH/ROW 230/072 obtenida el 28/01/2017 con 0 % de nubes. En tanto las
escenas del 19 de enero, 28 de enero, 13 de febrero, 20 de febrero y 17 de marzo se utilizaron
para el análisis y comparación de información espectro-temporal de los objetos. Para el
procesamiento de las imágenes, se utilizaron las bandas 2 al 7 de las multiespectrales, así
como la banda 8 del Pancromático – PAN para la fusión de imágenes. La tabla 6 presenta las
escenas de las imágenes del sensor OLI consideradas.
Escenas/ Fecha de % de
Observaciones
PATH/ROW adquisición Nubosidad
Fase de emergencia con alto porcentaje
Nov-Dic/2016
87 de nubes
2017-01-19 5 Para análisis espectro-temporal de NDs
231/072
20/02/2017 25 Para análisis espectro-temporal de NDs
2017-03-08 80 Alto porcentaje de nubosidad
2017-01-12 85 Alto porcentaje de nubosidad
2017-01-28 1 Imagen de referencia
13/02/2017 25 Para análisis espectro-temporal de NDs
230/072
2017-03-17 25 Para análisis espectro-temporal de NDs
Fase de maduración, alto porcentaje de
Mar-jun/2017 85
nubosidad
36
en único grupo, está basada en el hecho de que el análisis multitemporal no discrimina las
imágenes de acuerdo con la fecha de adquisición, si no que se torna en una referencia, en que
todo el conjunto de datos es uniformizado con una misma base, siendo más interesante para el
análisis y comparación de datos multitemporales (p. 44).
En tanto las imágenes correspondientes de los meses de enero y febrero, presentan mejores
características para el análisis visual (sin nubes), espectro-temporal, así como las fases
fenológicas; y de acuerdo al ciclo productivo, los cultivos mencionados se encuentran en el
mayor desarrollo vegetativo adecuados para el análisis y procesamiento de las imágenes. Por
el contrario, las imágenes correspondientes al mes de marzo y abril (2017) presentan
nubosidad, las mismas no permitieron contar con la totalidad de muestras de NDs de los
segmentos consideradas en el análisis espectro-temporal; sin embargo en estos meses la
mayoría de los cultivos ya se encuentra en la etapa de senescencia, es decir en la fase de
maduración, y en algunos casos a inicios de la cosecha principalmente de los cultivos anuales
(soya, maíz, arroz) a diferencia de la caña de azúcar que aún presenta vigorosidad en las hojas.
Una de las actividades que es realizada antes del procesamiento de las imágenes de satélites,
corresponde a las correcciones geométrica y atmosférica; y por las características de nivel de
correcciones de las imágenes de Landsat 8 realizadas por la Agencia de Servicio Geológico de
37
Estados Unidos (United States Geological Survey - USGS) no fueron efectuadas estos
procedimientos. Sin embargo es importante mencionar los métodos instalados en los
diferentes softwares de procesamiento de imágenes; una de las más utilizadas para la
corrección atmosférica es el módulo FLAAS (Fast Line-of-sight Atmospheric Analysis of
Spectral Hypercubes) de ENVI, que fue desarrollado por Spectral Sciences Inc. (SSI) y el
laboratorio de investigación de la fuerza aérea norteamericana, AFRL/VS, que combina el
código de transferencia radiactiva de MODTRAN4 (Moderate Resolution Atmospheric
Transmittance and Radiance Code).
Para poder utilizar la información radiométrica de la imagen en todas las facetas es necesario
convertir la reflectancia aparente (TOA) a reflectividad de la superficie terrestre, más aún
cuando se realiza el procesamiento de imágenes para el análisis y monitoreo de cultivos.
Hanston et al., (2011), señalan que para poder utilizar la información radiométrica de las
imágenes en todas las facetas, es necesario convertir la reflectividad en el techo de la
atmósfera (TOA) a reflectividad de superficie terrestre (p. 55).
Actualmente, la recepción, procesamiento y la disposición de las imágenes del sensor OLI del
satélite Landsat 8 son de responsabilidad de la USGS. En ese sentido resaltar que las imágenes
están disponibles en forma de productos, siendo que cada uno posee un nivel de
procesamiento. En ese entendido, el producto de Landsat surface Reflectance (level 2A
product) disponible en el sitio http://earthexplorer.usgs.gov/ consiste en imágenes cuyos
números digitales fueron convertidos para valores de reflectancia de superficie por medio de
un proceso de corrección atmosférica, basado en el modelo Second Simulation of the Satellite
Signal in the Solar Sapectrum Vectorial (6SV), y fue desarrollado con intención de utilizar las
bandas espectrales del propio sensor OLI, como la banda cirrus y coastal aerosol, y también
datos auxiliares de alta calidad del sensor MODIS, en un proceso de corrección (Montibeller,
2018, p. 22).
38
El mismo autor indica, que las imágenes del sensor OLI convertidas para reflectancia de
superficie, comenzaron a ser disponibles por la USGS en diciembre de 2014, permitiendo el
análisis más rápido de elementos de superficie terrestre, principalmente en estudios
multitemporales (p. 22).
Se utilizó el método de fusión Gram-Schmidt Pan Sharpening con remuestreo por vecino más
próximo, por utilizar la función de respuesta espectral de un dato de sensor, en este caso del
sensor OLI, para estimar como los datos del pancromático (ENVI HELP, 2018). Otro motivo
del uso de este método fue, permitir la fusión de las bandas multiespectrales del sensor OLI y
además por preservar los colores y bordes de los objetos cuando se compara con los diversos
métodos disponibles en el software ENVI.
El algoritmo Pan Sharpening, inicia simulando con la banda pancromática a partir de las
bandas multiespectrales, donde la banda pancromática simulada está dentro de intervalo
39
espectral de las bandas. Seguidamente una transformación de Gram-Schmidt es aplicada a la
banda simulada y a las bandas multiespectrales, donde la pancromática simulada es
considerada como la primera banda. Posteriormente, la primera banda Gram –Schmidt es
cambiada por la banda pancromática de alta resolución es una transformación inversa y
aplicada para formar imagen sintética de salida (Meneses et al., 2012, p. 135).
Sin embargo, se hace notar que el rango de valores en las regiones espectrales del PAN es de
500 a 680 nm, que comprende la banda 2 (azul de 450 -510 nm) hasta la banda 4 (rojo 670
nm); y en relación a los valores de las bandas 5, 6 y 7 del sensor OLI que van desde 850 a
2290 nm. En ese sentido los valores fusionados correctamente son de la banda 2 hasta la
banda 4, y no así con las otras bandas. Por esta razón se utilizó las composiciones de bandas
de la imagen fusionada exclusivamente en el análisis e interpretación visual de los objetos y
no así en el procesamiento.
A partir del conocimiento de sistemas de producción, campaña y calendario agrícola, las fases
fenológicas y de los criterios de interpretación visual de imágenes, como la textura, tonalidad,
sombra, relieve y forma, se analizó los objetos existentes en las imágenes fusionadas en
composición de color verdadero (RGB-432) y no fusionadas en falso color (RGB-564). Donde
se identificó los siguientes objetos; áreas de cultivo (soya, caña, arroz, maíz), bosque,
pastizales, cuerpos de agua, áreas urbanas, caminos, suelos descubiertos y barbecho (rastrojo);
además de cobertura de nubes y sombras en las otras escenas consideradas. Se realizaron
varias combinaciones de bandas, sin embargo, la composición RGB-564 permitió visualizar y
entender mejor las características espaciales y espectrales de los objetos de uso de suelo.
Jensen (2000), citado por Gurtler (2003), señala que para diferenciar varios cultivos usando
datos de percepción remota, es esencial conocer las características de los ciclos fenológicos de
los cultivos. Esta información es utilizada para determinar la época óptima de año para
recolección de datos de percepción remota y discriminar un cultivo de otra (p. 116).
40
Eberhardt (2015), indica que es adecuado realizar el análisis de las imágenes de satélite, en los
periodos de mayor desarrollo vegetativo, enero y febrero (p. 22).
Asimismo, Rizzi y Rudorff (2005), coinciden que las bandas 3 (Rojo), 4 (infrarrojo cercano) y
5 (infrarrojo medio) de los sensores Thematic Mapper (TM) e Enhanced Thematic Mapper
Plus (ETM+) permiten discriminar mejor entre cultivos de soya y otros objetos (p. 228).
Las mencionadas bandas, en composición colorida RGB-564 del sensor OLI del satélite
Landsat 8, fue la que mejor representó las diferencias entre cultivos agrícolas como la caña de
azúcar y maíz con tonalidades de magenta y rojizo, la soya con colores amarillo; en tanto en el
análisis de la vegetación forestal con tonalidades rojo y el suelo expuesto cian. El rojo es un
color de fácil comprensión y sus variaciones son mejores detectadas por el ojo humano. De
esta forma, cualquier variación de matiz rojo dependerá específicamente de cantidades de
energía emitida o absorbida por la vegetación en estudio, posibilitando la mejor separación
entre ellas (Schultz, 2016, p. 33).
41
en parcelas con polígonos de 25 pixeles (5 x 5) por Sanches (2004, p. 73 y 74). Seguidamente
fueron obtenidos los valores de reflectancia e índices de vegetación (NDVI y EVI) de las
parcelas definidas referente a la media de cada muestra, banda y las escenas correspondientes;
tomando la precaución de que los pixeles estén libres de nubes o ruido.
(𝑵𝑰𝑹 − 𝑹)
(𝑵𝑰𝑹 − 𝑹) 𝐄𝐕𝐈 = 𝑮 ∗
𝐍𝐃𝐕𝐈 = (𝑵𝑰𝑹 + 𝑪𝟏 ∗ 𝑹 − 𝑪𝟐 ∗ 𝑩 + 𝑳)
(𝑵𝑰𝑹 + 𝑹)
Dónde:
Dónde:
NIR = Reflectancia de la banda del infrarrojo cercano – NIR (banda 5)
R= Reflectancia de la banda roja – RED (banda 4)
NIR = Reflectancia de la banda del infrarrojo cercano – B= Reflectancia de la banda azul – BLUE (banda 2)
NIR (banda 5) L = Ajuste del fondo del dosel siendo L = 1
R= Reflectancia de la banda roja – RED (banda 4) G =Factor de ganacia, siendo G = 2.5
(Rouse et al., 1974) C1 = Coeficientes de resistencia de aerosoles, siendo C1 = 6
C2 = Coeficientes de resistencia de aerosoles, siendo C2 = 7.5
(Huete et al., 2002).
A partir de los datos mencionados párrafo arriba, fueron construidos los gráficos de perfiles
espectro-temporales de reflectancia e índices de vegetación de cada parcela, objeto definido,
bandas espectrales y las escenas consideradas libres de nubes, los cuales permitieron analizar
el comportamiento de los perfiles espectrales que ocurren en el periodo definido. Este proceso
tuvo el propósito de comparar los valores de reflectancia e índices de vegetación de las
parcelas levantados en los diferentes segmentos en campo, evaluando así los perfiles espectro-
temporales en las diferentes áreas del municipio, de acuerdo con la fase de desarrollo de las
plantas.
42
suelo, donde la reflectancia promedio corresponde al suelo por la predominancia. En tanto en
la fase de maduración, tiende a bajar la reflectancia en el infrarrojo cercano debido a la
senescencia de los doseles de las plantas, aumento de restos vegetales muertas y suelo
descubierto.
3.6 Segmentación.
43
Como principio de segmentación y los nuevos avances en el proceso de clasificación de
imágenes, específicamente basada en objetos, en la presente investigación, se utilizó dos
algoritmos de segmentación incorporadas en el software eCognitión, como son: el algoritmo
multirresolución y diferencia espectral. El primero basado en crecimiento por regiones con
agrupación ascendente, que no precisan conocimiento previo de las regiones presentes en la
imagen, de forma que esta segmente en objetos de manera automática mediante métodos de
clusterizado (Baatz y Schape, 2000, p. 13).
El mismo autor menciona que la determinación óptima de estos tres parámetros es algo
abstracto. Normalmente es necesaria la validación de los posibles errores sistemáticos
mediante una inspección visual de la calidad de los objetos resultantes de la segmentación
(ensayo y error), así establecer el valor apropiado de dichos parámetros. Por otra parte, los
parámetros de configuración óptimos dependen de los objetos que se pretende segmentar.
De todos los parámetros del proceso de segmentación por multirresolución, la escala es la más
importante, es la que determina el tamaño de los objetos contiguos, ya que funciona como
umbral a la hora de permitir o no la fusión de dos objetos adyacentes. Los parámetros de
44
escala bajo suelen producir objetos muy pequeños y con escasa variabilidad espectral; por el
contrario, parámetros de escala alto producen objetos de mayor tamaño en los que la
variabilidad espectral de los píxeles que los forman es mucho mayor (Vicente, 2016, p. 10).
En la tabla 8, se detalla los pesos de los parámetros utilizados por varios autores en la
segmentación por el algoritmo multirresolución, los cuales fueron motivo de análisis para el
uso como base para la segmentación de las imágenes en la presente investigación. Este
proceso de segmentación se realizó en las imágenes de referencia, escena 230/072 obtenida el
28/01/2017 con 0% de incidencia de nubes y entre los mejores periodos de desarrollo
vegetativo de los cultivos en relación de aquellas consideradas.
Parámetros de segmentación
Imágenes Referencias de autores
Escala Forma Compacidad
Landsat 8 60 0,5 0,8 Kasahara, (2017, p. 36).
Word View 2 50 0,1 a 0,3 0,5 Vicente (2016, p. 23).
Word View 2 60 0,1 0,5 Bento, (2017, p. 49).
Rapideye 10 0,2 0,5 Lazo, (2014, p. 23).
Landsat TM 30 0,8 0,4 Nogueira, (2014, p. 30)
Con base a las recomendaciones de uso de los pesos en la tabla 8, se realizó la aplicación de
pesos en la segmentación de la imagen, el cual comprendió 2 niveles. El primer nivel, con la
intención de separar objetos pequeños y grandes homogéneos a través del algoritmo
multirresolución en las 6 bandas de la imagen de referencia. Este proceso se inició con el
despliegue y la visualización de las imágenes en el interfaz de eCognitión, seguidamente se
aplicó los pesos a cada una de las bandas (6 bandas), a la escala (controla el tamaño de los
segmentos de pixeles), color (influencia de la información espectral en la segmentación), la
forma (influencia de la suavidad), y la compacidad, (ver detalle en la tabla 9).
45
Tabla 9. Variables y parámetros utilizados en la segmentación.
Parámetros de segmentación Valores (pesos)
Pesos de las bandas de imagen del sensor 1, 1, 1, 2, 2, 2
OLI/Landsat 8 (B2, B3, B4, B5, B6 y B7)
Parámetro de escala
Escala 45
Composición de criterios de homogeneidad
Forma 0,3
Compacidad 0,8
Fuente: elaboración propia, 2018
46
Este proceso permitió definir, identificar y extraer información espectral de las diferentes
áreas de uso de la imagen (parcelas de cultivos y otros objetos), a través de la agrupación de
pixeles similares y adyacentes.
Esta técnica fue similar a la utilizada por los autores señalados en la tabla 8, debido a la
compleja disgregación o agregación que presentan los segmentos y que permite delimitar
fácilmente las áreas de interés. En ese entendido, se realizó una rápida inspección visual en la
imagen segmentada, referente a las áreas de bosque, cultivos, áreas urbanas y de cuerpos de
agua plenamente identificadas y ubicadas en la zona de estudio.
3.7 Clasificación.
Sin embargo, Recio (2009), menciona otros clasificadores; como la clasificación por pixel,
subpixel, de contexto, la clasificación hibrida, que es el uso de la clasificación no supervisada
y supervisada, clasificación por redes neuronales, clasificación por parcelas, además la
clasificación basada en objetos (p. 47-51).
47
En ese sentido, la clasificación basada en objetos es una metodología relativamente nueva y
creciente, siendo un método alternativo para la clasificación de imágenes. Al respecto, Recio
(2009) y Carvalho (2011), consideran a esta clasificación como semiautomática con la
característica fundamental en la creación de objetos a través de la segmentación de la imagen,
y posterior clasificación de los objetos (p. 48), (p. 24).
Asimismo, Vidal et al., (2009), Rodríguez (2011) y Teo y Huang (2016), señalan que la
clasificación basada en objetos, se compone en dos fases fundamentales; la segmentación de
la imagen (localizar el objeto), y la clasificación del objeto. La primera se fundamenta en la
formación de objetos mediante la unión de pixeles homogéneos. La segunda se refiere a la
clasificación realizada según las características y reglas de los objetos (similar a la
clasificación supervisada), estableciendo variables de la clasificación como los atributos
espectrales, atributos geométricos y de vecindad, que contienen un objeto en específico, y
están representado a través de la información de una imagen.
✓ Reducir los ruidos inherentes a proceso de clasificación pixel a pixel, como el efecto
sal y pimienta en el mapa temático.
✓ Mejorar la relación entre los valores de los atributos de cada segmento con las
variables biofísicas de la vegetación (Blaschke, 2010, p. 2-5)
48
✓ Reducir el tiempo de procesamiento de clasificación, debido a la reducción de número
de objetos a ser clasificados (Blaschke, 2010, p. 6, 15).
Con base a las características mencionadas, así como el análisis y la interpretación de las
imágenes, información levantada en campo de los objetos identificados (bosque, cuerpos de
agua, áreas de cultivos de soya, arroz, maíz, caña de azúcar, pastizales, barbecho -rastrojo,
suelos descubiertos y áreas urbanas), así como el análisis del comportamiento espectro-
temporal (valores de los índices de vegetación y datos de reflectancia), y la segmentación
del nivel 2; se realizó la clasificación de las imágenes, a través de los algoritmos y
aplicaciones del software eCognition. Para ello se asignó, los objetos definidos en el interfaz
de trabajo Class Hieraachy, como son; bosque, cultivo de soya, maíz, arroz y caña, pastizal,
cuerpos de agua, suelo descubierto, área urbana (figura 4). Seguidamente se efectuó el
muestreo de segmentos, en este caso corresponden a los levantados en campo como verdades
muéstrales, así como otras similares asignando a cada objeto definido en el mencionado
interfaz. Finalmente, con los procesos concluidos para cada objeto en cuestión, se clasificó las
imágenes a través del algoritmo de clasificación mínima distancia o vecino próximo (Nearest
Neighbor) implementado en el software eCognition, que es un algoritmo no paramétrico de
clasificación basado en el muestreo de manera que busca los valores o patrones similares en
los demás segmentos de la imagen, de esta manera se extrae la información correspondiente a
los objetos identificados.
49
Figura 4. Asignación de objetos en el interfaz y colecta de muestras en el proceso de
clasificación.
Fuente: elaboración propia, 2018.
Al respecto, Lazo (2014), señala que este algoritmo se utiliza con base a muestras definidas
por el usuario y en combinación con el conjunto de características predefinidas para asignar
objetos a las clases. Inicialmente el software necesita muestras representativas típicas de cada
objeto. Con base a estas muestras, el algoritmo busca los objetos más cercanos a la muestra y
evalúa su valor de pertinencia dentro del espacio de características de cada uno de los objetos
(p. 20).
En el caso de una clasificación supervisada, los segmentos son muestras para reconocimiento
de patrones de clases (objetos). La búsqueda de patrones de clasificación es realizada
utilizando atributos de los segmentos muestras con valores de la media espectral de cada
banda, atributos de forma y textura. Y finalmente, los pasos generados son utilizados por un
algoritmo específico para clasificar toda la imagen (Marujo, 2016, p. 25).
50
3.7.1 Análisis de consistencia.
En ese entendido de comparar las dos clasificaciones, una definida por el usuario como base, y
la otra que se desea evaluar. La primera corresponde a las mismas áreas de los segmentos
definidos y levantadas en campo (verdad en terreno), y la segunda es la clasificación de las
imágenes basada en objetos. Con base a estas definiciones, inicialmente se exporto en formato
raster al software ENVI para calcular la matriz de confusión. Este análisis de matriz, se basó
principalmente en la coherencia de la clasificación, el cual indica el porcentaje total de pixeles
clasificados correctamente en la imagen, el cual muestra una idea general de la exactitud de
las clasificaciones de las imágenes.
51
El 2013, el INE y MDRyT, disponen la información del Censo Nacional Agropecuario para
los 339 municipios a nivel nacional referente a un conjunto de datos, como la producción,
rendimientos, así como la superficie sembrada de varios cultivos. Actualmente, ambas
instancias levantan información a detalle departamental y no así municipal; en tanto la
Asociación Nacional de Productores Oleaginosas y Trigo (ANAPO) es la instancia sectorial
regional oficial para la Cámara Agropecuaria del Oriente (CAO) del levantamiento y manejo
de información estadístico de producción de cultivos agroindustriales en las diferentes zonas
del departamento de Santa Cruz, en muchos casos en coordinación con las instancias oficiales
públicas. Por otra parte, la Cooperativa Agropecuario Integral de las Colonias de Okinawa
(CAICO), es otra instancia que levanta información de manera continua, referente a las áreas
de producción de cultivos principales del municipio de Okinawa.
3.9 Metadatos.
52
De acuerdo a FGDC (2001), los metadatos describen el contenido, la condición, historia, la
localización y formato del dato, siendo utilizado para identificar cual dato existe, la calidad y
como acceder y usarla. La principal propuesta de patrón de metadatos es de FGDC, comité
que promueve la coordinación de uso, cambio y difusión de datos espaciales en los Estados
Unidos (p. 1).
Para el Instituto Geográfico Agustín Codazzi (2008), el metadato es definido como los “datos
acerca de los datos”; referente al contenido, calidad, distribución, actualidad y referencia
espacial del conjunto de datos, se llama metadato (p. 8).
Al respecto GeoBolivia (2019), señala que cuenta con una propuesta de legislación
desarrollada; el cual define lineamientos y mecanismos de aplicación nacional, para facilitar la
generación y acceso a la información georreferenciada del Estado. Esta norma establece como
parte de las funciones de las entidades productoras de datos espaciales, la de compartir esta
información vía servicios interoperables, siguiendo estándares definidos por el Comité
Interinstitucional de la Infraestrucutura de Datos Espaciales del Estado Plurinacional de
Bolivia (CIIDEEPB).
53
Previo a la elección de la metodología de levantamiento de información en campo, se analizó
la metodología de Aldami (2004), quien determina el tamaño de segmentos de 1,0 km x1,0
km, con una definición de muestra de 0.5 a 5 % dependiendo del área total del estrato (p. 93);
en tanto Sanches (2004), con definición del marco de muestra y puntos de muestreo (p. 75), y
Kalbermatter et al., (2010), aplica el método muestreo por áreas; siendo que esta última
metodología, por las características de aplicabilidad (costo, tiempo, equipos y sistemas de
producción extensiva), fue el que mejor se adecuó para el levantamiento de información.
La mencionada metodología, consistió en el uso del método de muestreo por áreas, con el
propósito de contar con muestras de toda el área de estudio. Este método fue adaptado por
Kalbermatter et al., (2010) en el departamento de Información Económica y Social del
Laboratorio de GIS y Teledetección Argentina. Donde los mismos autores señalan que el
muestreo es una aplicación de la teoría estadística basado en leyes de probabilidad que
permite hacer inferencias sobre la población a partir de características de un subgrupo de esa
misma población. En esta metodología se define al satélite como un encuestador calificado
que recorre las muestras de manera objetiva, toma datos de los cultivos y otros objetos
presentes en ella. Este método es considerado ideal para la estimación de grandes áreas o
regiones en relación a otros (p. 13). En el presente estudio, se utilizó esta metodología
exclusivamente para la obtención de datos de las parcelas correspondientes a los objetos
distribuidos en toda la zona.
Mediante este procedimiento, fueron definidos 15 segmentos muestras, con 400 ha cada una y
distribuidos aleatoriamente en toda el área de estudio. La construcción y distribución de los
segmentos en forma de grilla, se realizó mediante la aplicación de Grids Index Features de
ArcGIS sobre la imagen de referencia compuesta RGB-564; y adicionalmente se consideró en
cada segmento, las parcelas (tablones) de los cultivos, como de otros objetos identificados a
levantar. El detalle de la metodología se describe a continuación:
54
Paso 1. Estratificación
Para el presente estudio, se aplicó solo para las áreas de producción agrícola y producción
mixta.
Estrato 1
Estrato 1
Agropecu
Agropecuario
ario
Estrato 2
bosque
55
Paso 2. Diseño de muestra.
• Se compuso una grilla que cubre toda la zona de estudio mediante la aplicación de
Grids Index Features de ArcGIS, donde cada celda presenta una superficie de 400 ha,
y define a cada celda como un segmento muestra (n) para la estimación de áreas. Solo
se consideró en cuenta las celdas que contienen superficie dentro del primer estrato
(figura 6).
Muestra
(Celda de
400 ha)
56
• Cálculo del intervalo entre segmentos muestras n:
N/n=316/16 = 19.75; = 20
N= (17, 29, 49, 69, 87, 109, 129, 149, 169, 189, 209, 229, 249, 269, 289, 309)
De acuerdo al diseño de muestra, el segmento 289, no fue considerado por contener área
mínima con cuerpos de agua y la inaccesibilidad.
57
Paso 4. Recolección de datos en campo.
Con base al mencionado mapa base impreso, el auxilio del receptor GPS y planillas
codificadas de cultivos (Anexo 1), se recorrió cada uno de los segmentos muestras definidos,
levantando las coordenadas insitu de las parcelas (tablones) con cultivos de soya, arroz, maíz,
caña de azúcar y otros objetos, como; bosque, pastizal, suelo descubierto, barbecho (rastrojo),
cuerpos de agua, áreas urbanas. Asimismo, se tomaron fotografías y una breve descripción de
las áreas recorridas.
58
Figura 8. Mapa base para el levantamiento de información georeferenciada en campo.
Fuente: elaboración propia, 2018.
59
CAPÍTULO 4
4. RESULTADOS Y DISCUSIONES
Con base al análisis e interpretación de las imágenes (forma, color, textura) de referencia, en
la composición falso color (RGB-564), así como de imágenes fusionadas en color verdadero
(RGB-432), se logró identificar 11 objetos de forma satisfactoria; los cuales fueron verificados
en trabajo de campo, consistentes en: parcelas con cultivos de soya, caña de azúcar, maíz y
arroz, además de áreas con pastizales, tablones de barbecho (rastrojos), suelo descubierto,
bosque, cuerpos agua, áreas urbanas y caminos.
En tanto, en las imágenes de las escenas de enero, febrero y marzo también en la composición
colorida RGB-564 con ajuste de valores en Stretch (linear 2 %) realizadas en ENVI, fue
posible observar y establecer patrones de comportamiento en cuanto a color, textura y forma
de los cultivos, así como de otros objetos. Estas características fueron contrastadas con el
calendario agrícola y fenología de cultivos, estableciendo que a mediados de enero y entrando
a la segunda quincena de febrero de 2017 como la etapa de mayor desarrollo vegetativo;
aspectos que coinciden con las características de homogeneidad de color y textura de las
mencionadas áreas. Considerando lo señalado, se observó el color amarillo a naranja
característico del cultivo de soya; rojo, magenta a marrón de la caña de azúcar; rojizo a
marrón en menor cantidad de maíz; y rojo, naranja, magenta, marrón con azul y azul oscuro
(agua) en el arroz. También se observaron color celeste a cian y celeste, cian a verde; la
primera corresponde al suelo descubierto, la segunda representa al barbecho (rastrojo) de los
otros cultivos cosechados y dejados en el suelo en la anterior campaña agrícola.
60
En tanto el bosque presentó una coloración rojo oscuro a marrón de modo general, formas
variables irregulares, con textura rugosa. Los pastizales con coloración variada, verdusco, rojo
a rojo claro correspondientes a pastizales cultivadas con manejo; en tanto verdusco azulado y
rojo claro en otros pastizales de poca vigorosidad debido a las características propias de
manejo; formas regulares y también variables, con texturas lisas caso de los pastizales
cultivados, áreas con pasturas sin ningún uso, y con cierta rugosidad en pastizales sin manejo
por la presencia de arbustos y otras especies arbóreas. En el caso de las zonas urbanas, mistura
de colores (celeste, cian, naranja, rojo, etc.) y formas regulares como irregulares con tamaños
variados. Referente a caminos, colores cian, celeste, amarillo claro, formas lineales y textura
lisa. En tanto en los cuerpos de agua, colores azul claro a azul oscuro.
Al respecto, Formaggio y Sanches (2017), señalan que las bandas de las regiones de Red (4),
NIR (5) y SWIR (6) de las imágenes del sensor OLI de Landsat 8, son las más empleadas en
estudios agrícolas basadas en la interpretación visual de las imágenes (p. 129).
61
Color; rojo, magenta a
marrón,
Textura; uniformes
Forma y tamaño;
Caña de
variado, rectangulares,
azúcar cuadrados
Fase fenológico;
desarrollo vegetativo
62
Color; rojo marrón
oscuro
Textura; rugosa
Bosque Forma y tamaño;
variado
Formaggio y Sanchez (2017), señalan que en la composición falso color RGB del NIR-SWIR-
RED en pleno vigor vegetativo, la soya aparece en tonos de color amarillo, en tanto el maíz en
tonos rojos y la caña también en matices de rojo a magenta, este comportamiento es debido a
la alta reflectancia en la región del NIR y seguido en el SWIR (menor que en el NIR) (p. 129).
Al respecto Eberhardt (2015), indica que la soya en la composición falso color RGB-564 de
las imágenes del sensor OLI, se caracteriza por los matices de amarillo a naranja, y el maíz
con matices rojo oscuro, ambos cultivos con texturas uniformes a lo largo de los tablones (p.
65, 66).
63
Schutz (2016), señala en la correlación de las fotos tomadas en campo de las parcelas con caña
de azúcar con diferentes alturas de dosel, con los valores de los pixeles de las imágenes de
sensor OLI. Donde las parcelas de caña con menor altura de dosel, presentaron matices a
marrón, y los demás presentaron tonalidades de color magenta. Asimismo, indica que las
parcelas de color magenta aparte de mayor altura de los doseles también están en función de
las diferentes edades. (p. 139).
Rizzi y Rudorff (2005), señalan que en la composición colorida RGB 564 en las imágenes
Landsat con contraste de máximo y mínimo, el maíz presenta matices con influencia de color
rojo (oscilando entre amarillo a marrón).
Con la misma combinación colorida (RGB-564), los matices del arroz inundado se
caracterizan de colores naranja, verdusco a marrón con mezcla de colores azules que son
propias del espejo de agua.
64
De acuerdo al análisis de la información levantada en campo, la tabla 12 resume la
predominancia de los objetos mencionados en cada uno de los segmentos, los cuales se
muestran a continuación.
Número de segmentos
Objetos Total %
17 19 49 69 87 109 129 148 169 189 209 229 249 269 309
Pastizal 4 3 5 5 1 3 5 2 4 6 3 3 4 3 3 54 25,6
Soya 1 2 2 4 1 12 7 6 1 2 1 5 2 46 21,8
Caña de azúcar 2 3 1 8 2 3 2 1 2 2 1 1 2 30 14,2
Bosque 3 5 2 2 2 1 1 1 1 1 1 2 22 10,4
Barbecho (rastrojo) 1 2 1 1 1 1 1 1 2 1 1 1 2 2 3 21 10,0
Suelo descubierto 1 3 2 2 1 1 1 2 2 1 1 17 8,1
Arroz 2 2 2 3 1 10 4,7
Cuerpos de agua 1 1 1 1 2 1 7 3,3
Maíz 1 1 2 0,9
Área urbana 1 1 2 0,9
Total 211 100,0
De acuerdo al porcentaje de frecuencia de los objetos de la tabla 12, los pastizales presentan
mayor predominancia (25,6 %), seguido por la soya (21,8 %), la caña de azúcar (14,2 %), el
arroz (4,7 %), y el maíz (0,9 %). Del total de muestras, el 41,7 % corresponden a las áreas
sembradas por los cultivos para la campaña 2016/2017. Por otra parte, los objetos como
bosque, barbecho, suelo descubierto y áreas urbanas representan el 58,3 %.
Haciendo una relación de las frecuencias obtenidas, con las estimaciones de superficies
sembradas a diciembre de 2016 de cultivos para la campaña 2016/2017 por ANAPO (2018), la
soya representa la mayor superficie sembrada a diciembre de 2016 (25.000,00 ha); además
este cultivo es considerado como el de mayor importancia de la mencionada campaña agrícola
en relación a otros cultivos. Sin embrago la caña, e incluso el arroz también son
fundamentales en términos de superficie de producción agrícola, así como se observaron
visualmente en las composiciones de las imágenes RGB-564 de los 15 segmentos muestras
definidas, como también durante las visitas en terreno.
65
4.3 Análisis del comportamiento espectro-temporal de los cultivos durante el periodo de
desarrollo vegetativo.
La sobreposición de las escenas de Santa Cruz (231/072) y San Antonio de Lomerio (230/072)
de las imágenes de Landsat 8 de la zona de estudio, permitieron contar con más información
tanto para el análisis visual, así como de perfiles espectro-temporales de los objetos de la
campaña agrícola 2016/2017.
De modo general, los perfiles espectro-temporales de soya, caña de azúcar, arroz, maíz y otros
objetos representan el comportamiento típico esperado de la vegetación. Sin embrago para los
cultivos anuales (soya, arroz y maíz) así como el semi-perenne (caña) se puede señalar que de
acuerdo a la campaña agrícola y las fases fenológicas, el periodo de máximo de desarrollo
coincide con la segunda quincena de enero a la primera quincena de febrero. En este periodo
fue posible identificar a través de la banda 5 del (NIR) donde mantuvo las mayores diferencias
entre los tablones de los cultivos y otros objetos presentes.
En ese sentido, este análisis permitió establecer los valores más elevados de índices de
vegetación y reflectancia para el periodo de mayor desarrollo vegetativo, asimismo diferenciar
entre cultivos, observar el aumento y disminución de la vigorosidad de los doseles de los
cultivos, como la soya, maíz, y arroz que son cultivos anuales de ciclo corto; en el caso de la
caña de azúcar por ser un cultivo semi-perenne durante las fechas de los tres meses no se
observaron cambios significativos debido a que en esas fechas aún se encuentra en pleno
desarrollo vegetativo, por lo cual los índices de vegetación y la reflectancia se encuentran con
los mayores valores con cierto patrón de continuidad, pudiendo observar un leve descenso en
marzo.
66
Sin embrago, se hace notar que por la presencia de alto porcentaje de nubes en las imágenes
de noviembre y diciembre de 2016, etapa correspondiente a la siembra y emergencia de
cultivos, no fue posible analizar el comportamiento espectro-temporal; no obstante, en los
meses mencionados la emergencia de los cultivos de soya y maíz aún no cubren los doseles de
las plantas los espacios entre plantas y surcos, similar situación en el caso del arroz bajo
condiciones de riego inundado, y en consecuencia existe una predominancia del suelo (soya y
maíz) y agua (arroz) en la reflectancia de las parcelas, aspecto que aún no define con claridad
el tipo de cultivo. Asimismo, parte del mes de marzo, abril hasta junio 2017 las imágenes
presentaron también un alto porcentaje de nubes, y en contraposición de la fase de
emergencia, los cultivos de soya, maíz y arroz, se encuentran en la etapa de maduración e
inicios de cosecha; en tanto la caña de azúcar aún se halla en la fase de desarrollo e inicios de
maduración, donde los doseles de los cultivos se encuentran en sencencia, es decir reducción
de producción de pigmentos (clorofila, carotenos, etc.). Estos aspectos mencionados, limitaron
contar con datos complementarios en el análisis de los perfiles correspondientes a la fase de
emergencia y maduración.
Ferri (2002), D Arco (2008) y Eberhardt (2015), mencionan que el periodo más importante
para la diferenciación de cultivos es la fase de desarrollo vegetativo (mayor desarrollo
vegetativo), etapa donde se separa espectralmente mejor debido a la producción de pigmentos
de las plantas, contenido de agua en los doseles, estructura y disposición foliar, aspectos
fundamentales en la interacción entre los doseles y la radiación electromagnética de las
bandas. Asimismo, señalan que para un adecuado análisis de cultivos de ciclo corto se debería
de contar con al menos 4 imágenes, una para cada mes; mismas podrán identificar las
variaciones fenológicas y respuesta espectro-temporal de las parcelas, asegurando de esta
manera el riesgo posible a errores de clasificación (p.33), (p.137) y (p.22, 56).
Asimismo, Ferri (2002), señala que cuanto más las plantas cubran el suelo, menor será la
influencia de este sobre la respuesta espectral del cultivo (p. 79).
Al respecto, Formaggio (1989), indica que, en cultivos agrícolas de ciclo corto, la variación de
cantidad de material vegetal presentes en los doseles de las plantaciones durante el desarrollo
67
fenológico es fundamental y de mucho interés en la interacción electromagnética con el
cultivo, y los sensores remotos (p. 78).
Eberhardt (2015), señala que la duración de la respuesta espectral del maíz con tonalidades
rojizas, es de aproximadamente dos meses, similar a la soya. Este comportamiento puede ser
visualizado en todos los tablones de producción a secano, así como bajo sistemas de irrigación
(p. 62).
Por otra parte, Rizze y Rudorff (2005), indican que para el mapeo de las áreas de producción
de soya son necesarias al menos dos imágenes Landsat del periodo vegetativo (p. 230).
En el caso de los pastizales, para los meses de análisis de la campaña agrícola 2016/2017, se
observaron un comportamiento espectral variado en todas las áreas de análisis, con formas
irregulares y regulares, tonalidades heterogéneas; aspectos que podrían ser por el sistema de
manejo de pastizales. Sin embargo, también se observaron áreas en descanso y otras con
presencia de pastos (gramíneas principalmente y otras especies arbustivas) con similar
característica, sin presencia de cercos ni manejo.
68
Grusco (2007), señala que en la mayoría de veces los pastos son heterogéneos y sin patrón
geométrico definido, más en algunos periodos de año (generalmente en los meses de abril a
noviembre) presentan vigor vegetativo más evidente. Los pastizales presentan valores más
bajos en magnitudes de 0,37 a 0,58. En relación al bosque, los valores varían de 0,45 a 0,67
(p. 65).
4.3.1 Soya.
69
al calendario agrícola y fenología del cultivo; y la segunda a una siembra atrasada. La figura
9, muestra los valores medios de índices de vegetación y reflectancia para el 28 de enero
2017, correspondiente a las parcelas de los segmentos 49, 87, 169, 189 y 229.
Índices Reflectancia
70
Figura 9. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 49, 87, 169,
189 y 229
Fuente elaboración propia, 2018.
Los perfiles espectrales de la figura 9, registran valores medios de NDVI con alrededor de
0,92 y próximos a 0,90 de EVI, las diferencias entre estos valores se debe a que el NDVI
presenta mayor saturación en la estructura foliar de la plantas, en tanto el EVI, ajusta mejor
los valores de la vegetación con los datos de suelo y canopeo del mismo sensor, con inclusión
de la banda 2 y la resistencia a los aerosoles (constante C), por eso presenta valores menores
al NDVI, y por tanto un mejor ajuste. Referente a los valores medios de reflectancia, la banda
5 del infrarrojo cercano es la que presentó mayor valor entre 0,45 a 0,60, seguido por la banda
6 con alrededor de 0,22 y con 0,10 a 0,11 la banda 7.
71
Por otro lado, las muestras de las parcelas de los segmentos 169 y 209 de la figura 10,
corresponden a la zona de Okinawa 2 y 1, los cuales registraron mayores valores medios de
índices y reflectancia, correspondientes al 13 de febrero, con valores de 0,81 a 0,97 de NDVI
y 0,72 a 0,91 de EVI, en tanto la banda 5 con mayores valores de reflectancia, entre 0,48 a
0,67, la B6 con 0,25 a 0,29 y la B7 con alrededor de 0,12, aspecto que podría atribuirse a una
siembra relativamente atrasada.
Índices Reflectancia
Figura 10. Curvas de índices y reflectancia de parcelas de los segmentos 169 y 209.
En tanto, las parcelas de los segmentos 17, 87, 129, 189 y 269 de la figura 11, muestran que el
20 de febrero presenta mayores valores de índices y reflectancia, estos valores se encuentran
entre 0,80 a 0,93 de NDVI y 0,70 a 0,94 de EVI; y referente a la reflectancia, la banda 5 con
0,54 a 0,70, la B6 0,21 a 0,27 y la B7 con 0,10. Este comportamiento de patrones de
reflectancia, específicamente de la banda 5, representa a la fase de mayor desarrollo vegetativa
de las plantas, y de acuerdo al calendario agrícola podría corresponder a la siembra atrasada,
también distribuida en toda la zona de estudio.
72
Índices Reflectancia
Figura 11. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 17, 87,
129, 189 y 269
Fuente: elaboración propia, 2018.
73
Los resultados de perfiles de índices y reflectancia obtenidos en el presente estudio de modo
general, concuerdan con los valores de reflectancia encontrados en las bandas 5, 6 y 7 por
(Montibeller, 2018); con alrededor de 0,5 a 0,57 de reflectancia en la banda B5 (NIR), en la
banda 6 próximos a 0,24 y 0,12 en la banda 7 (p. 50).
Por otra parte, Crusco (2007), señala que la mayor reflectancia ocurre en el mes de febrero de
mayor vigorosidad, próximos a 0,5 en la banda 4, 0,3 en la banda 5 y 0,13 en la banda 7; en
tanto el NDVI alrededor de 0.81, en las imágenes del satélite Landsat TM (p. 60, 61).
Asimismo, Eberhardt (2015), menciona que la soya presenta para el periodo de mayor
desarrollo vegetativa un NDVI próximos a 0,80 (p. 39).
Conforme a los perfiles espectrales de las figuras 6, 7 y 8, las imágenes del 28 de enero al 20
de febrero presentan los mayores valores de índices (NDVI y EVI) y reflectancias; y de
acuerdo al calendario agrícola y fenología corresponde a la fase de mayor desarrollo
vegetativo de la campaña agrícola 2016/2017. Este aspecto también fue corroborado con la
visita de campo en las parcelas de los segmentos mencionados a mediados del mes de febrero
de 2017, donde se observó la presencia de mayor follaje y vigorosidad de las plantas; sin
embargo, este comportamiento podría variar para cada campaña de verano por las
características del calendario agrícola, el ciclo fenológico, fertilidad del suelo, manejo del
cultivo, etc.
Al respecto, Sanches (2004), señala que este comportamiento espectral del cultivo de soya se
debe a que está en pleno vigor vegetativo y cubre totalmente el suelo con varias capas de hojas
intensamente verdes y planas (planófilos), y absorbe fuertemente en la banda 4 y débilmente
en las bandas principalmente 5 y 3, pero con mayor reflectancia (p. 118).
El mismo autor indica que la respuesta espectral del cultivo en la composición colorida RGB-
564 (sensor OLI) es de matices amarillo a naranja, dependiendo de la fase fenológica del
cultivo. Las parcelas con soya presentan similar coloración, pudiendo ocurrir a partir de enero
y con una duración de un máximo de tres meses.
74
4.3.2 Caña de azúcar.
En la figura 12, las parcelas de los segmentos 49 y 189, presentan valores promedios de
reflectancia próximos a 0,40 en la banda B5, en la banda B6 en un rango de 0,22 y 0,11 en la
banda B7, correspondiente al 28 de enero, siendo relativamente los mayores valores medios de
reflectancia; en tanto el NDVI oscila entre 0,68 a 0,80 y el EVI entre 0,5 a 0,6 para las 4
fechas. Sin embargo, estos valores se mantienen con pocos cambios durante las otras fechas
de las escenas, debido a que este cultivo se encuentra aún en la fase de mayor producción de
clorofila porque es una especie de ciclo más largo a diferencia de los cultivos anuales de ciclo
corto (soya, maíz y arroz), donde las hojas de caña comienzan a presentar senescencia a
finales de abril- mayo y a inicios de la cosecha, el cual se realiza en esta zona a principios de
mayo.
Índices Reflectancia
75
Figura 12. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 49 y 189
En tanto las muestras de las parcelas (tablones) de los segmentos 29, 69, 109 y 229 de la
figura 13, presentan valores medios en los índices, entre 0,63 a 0,81 de NDVI y 0,50 a 0,75 de
EVI, en las 4 fechas. Sin embargo, el EVI resalta mejor entre el 28 de enero a 20 de febrero.
En tanto la reflectancia, mayores valores medios en la banda 5 para todas las fechas, a
excepción del 20 de febrero con valores relativamente superiores. Asimismo, la banda B6
muestra reflectancias de alrededor de 0,20 y la B7 próximos a 0,10. Este comportamiento de
patrones de reflectancias, específicamente de la banda 5, podría atribuirse a la edad de las
plantas, fertilidad de los suelos e incluso a la variedad, en tanto las bandas 6 y 7 tienen similar
comportamiento de reflectancia encontrados por Montibeller (2018). Asimismo, señalar que
esta etapa de análisis corresponde al mayor desarrollo vegetativo de las plantas, mismas
podrían prolongarse con leve cambio hasta abril. Y de acuerdo a los segmentos de la figura
13, en las tres zonas del municipio presentan parecido comportamiento, el cual confirma las
características del cultivo semi-perene.
76
Índices Reflectancia
Figura 13. Curvas de índices y reflectancias de parcelas (tablones) de los segmentos 29, 69,
109 y 229
Por otro lado, Aguiar (2007), señala que, para el periodo de mayor desarrollo vegetativo, el
NDVI es próximos a 0,80 (p. 56). En tanto Picoli (2007), el NDVI también para el periodo de
mayor desarrollo vegetativo es alrededor de 0,82 (p. 67). Para Crusco (2007), la caña de año
podría reflejar valores menores de NDVI cerca de 0,60, en relación del segundo año próximo
a 0,78 de NDVI (p. 59).
77
Al respecto Abdel y Rahman (2008), mencionan que el comportamiento espectral para el
cultivo de caña de azúcar depende de cuatro factores: arquitectura del dosel, química foliar,
presencia de pigmentos de las hojas; como la clorofila, carotenos, xantofilas y antocianinas,
así como deficiencias de nitrógeno, humedad y otros nutrientes foliares; aspectos que puede
afectar directamente por absorción o indirectamente por la influencia en los procesos
fisiológicos y el desarrollo vegetativo de las plantas; parámetros agronómicos como el área
foliar, geometría de la adquisición de datos y las condiciones atmosféricas; pero su estructura
geométrica es el factor más importante que afecta las propiedades ópticas del dosel de caña (p.
3754).
Rudorff y Batista (1985), señalan que en el análisis de datos espectrales del sensor MSS a
bordo del Landsat 4 en cinco fechas diferentes, concluyen que la mejor época para la
adquisición de las imágenes con la finalidad de relacionar la respuesta espectral y el peso del
tallo de la caña, se encuentra en el mes de febrero. Esto ocurre porque la biomasa
fotosintéticamente activa se encuentra bien desarrollada en esta época y tiene una fuerte
relación con la cantidad de tallos existentes (p.12).
Foschiera (2015), menciona que el crecimiento vegetativo más intenso ocurre durante la
estación lluviosa, y por esa razón, la demanda de agua, radiación y temperatura es alta. A
partir de abril ocurre la acumulación de sacarosa en los tallos, que es marcado por el
crecimiento vegetativo (p. 11).
Rudorff y Sugawara (2007), señalan que el periodo de crecimiento vegetativo más intenso
ocurre entre los meses de octubre a marzo, cuando el cultivo tiene alta demanda de agua,
radiación y temperatura. Asimismo mencionan que por las características del cultivo, es
necesario contar con 2 imágenes; una entre los meses de enero y febrero, y otra entre los
meses de marzo y abril. La imagen del periodo 1, permite identificar bien las áreas de caña
plantada del año anterior. En tanto las imágenes del periodo 2, tiene como finalidad confirmar
la presencia de este cultivo (p. 80).
78
Con lo mencionado por los investigadores párrafos arriba, y los valores analizados en las
figuras 12 y 13, la reflectancia de la banda 5, presenta valores medios coincidentes cercanos a
0,4; y por las características agronómicas como fenológicas de la caña de azúcar, los meses de
enero y febrero expresa el mayor desarrollo vegetativo de los doseles de las plantas.
4.3.3 Arroz
Considerando las características del calendario agrícola y las fases fenológicas, los meses de
enero y febrero constituyen el periodo de mayor desarrollo vegetativo para la campaña
agrícola 2016/2017. Y de acuerdo al análisis del comportamiento espectro-temporal de este
cultivo, los valores de índices y reflectancia, corresponden a las parcelas de los 15 segmentos
considerados, y de los meses de enero, febrero y primera quincena de marzo. En tanto para los
meses de noviembre y diciembre de 2016 (fase emergencia), así como de la segunda quincena
de marzo y abril de 2017 (fase de maduración y cosecha) no se completaron el ciclo de los
perfiles espectrales por el alto porcentaje de nubes en las imágenes.
La figura 14, presenta los valores medios de índices de vegetación como reflectancia, donde
las imágenes del 28 de enero al 20 de febrero, presentaron los mayores valores de NDVI, entre
0,71 a 0,81, y el EVI de 0,44 a 0,60; en tanto los valores medios de reflectancia, entre 0,28 a
0,41 en la banda B5, de 0,17 en la banda B6, y la banda B7 alrededor de 0,07. Sin embargo,
las imágenes del 19 de enero y del 17 de marzo, presentaron valores menores de índices como
de reflectancia, en relación de las imágenes del 28 de enero al 20 febrero.
Índices Reflectancia
79
Figura 14. Curvas de índices y reflectancia de la parcela 109, 129, 229.
Al respecto, Bariani et al., (2017), señalan en el análisis de curvas temporales de NDVI del
arroz irrigado en imágenes Landsat 8, los siguientes valores; desde la siembra hasta la
emergencia de las plántulas con valores más bajos, entre 0,19 a 0,30; en tanto a partir de la
fase V4 cuando las plantas presentan 4 hojas, los valores quedaron por encima de 0,30 (0,31 a
0,41); ya en la fase reproductivo (R1) con valores entre 0,73 a 0,78; en la fase R2 valores de
80
0,81 a 0,84; y en la fase R4 registraron valores máximos de NDVI entre 0,83 a 0,85; a partir
de la fase R8 con tendencia a disminuir y en la fase R9 ocurre la maduración completa del
arroz con valores de NDVI entre 0,29 a 0,42 (p. 5).
Mengue et al., (2015), mencionan que los valores de NDVI del arroz irrigado, se encuentran
próximos a 0,78 para los periodos de mayor desarrollo vegetativo (p. 1903).
Por otro parte, D’ Arco (2008), señala para el periodo de máximo desarrollo vegetativo (mes
de enero) en arroz irrigado, de alrededor de 0,52 de reflectancia (Landsat TM) en la banda 5
(IRM), de 0,44 en la banda 4 (IRP) y en la banda 3 (VIS) alrededor de 0,18 (p. 116).
Marques (2009), indica en el análisis espectro-temporal del arroz irrigado, en la región del
espectro-electromagnético de 0,88 µm en imágenes MODIS para la segunda quincena de
diciembre, alrededor de 0,40 de reflectancia, en tanto para la primera quincena de enero de
0,49, la segunda quincena de enero 0,5, para la primera quincena de febrero 0.5, segunda
quincena de febrero 0.6, primera quincena de marzo 0.59, y la segunda quincena de marzo de
0,45. Siendo la máxima expresión, la segunda quincena de febrero (p. 38-40).
El mismo autor señala que las áreas de arroz irrigado son caracterizadas por un periodo de
inundación, durante el cual la cobertura de las hojas existentes es abierta (mezcla de
81
superficies con agua y el cultivo de arroz). Entre tanto, por el desarrollo vegetativo de arroz,
esta lámina es totalmente cubierta por el dosel del cultivo, minimizando así los efectos de
agua y de suelo.
Según Casanova et al., (1998), señalan que la reflectancia en el infrarrojo varía de acuerdo con
la biomasa, aumentando de un mínimo de 15% en el estado inicial de desarrollo, hasta un
máximo de 50% en la fase de espigamiento. Después de ese periodo, reduce la reflectancia,
debido a la disminución de la biomasa y la perdida de hojas para un valor final de
aproximadamente 33% (p. 84, 86).
82
Pocos trabajos se encuentran disponibles en la literatura sobre el comportamiento espectral del
cultivo de arroz irrigado, principalmente en la zona de estudio y en el país.
4.3.4 Maíz.
Al respecto, Gürtler (2003), señala que durante el desarrollo vegetativo, el maíz presenta un
color rojizo a naranja, misma que puede ser confundido con la caña, sin embrago el maíz no
presenta corredores y permanece poco tiempo en campo, cerca de cuatro meses (p. 116).
La figura 15, presenta las curvas de reflectancia correspondientes a los segmentos 189 y 249,
donde el 28 de enero, mostró como el periodo con mayores valores medios de índices de
vegetación y reflectancia, a diferencia de las otras fechas; donde la banda 5 (NIR), presentó
valores de reflectancias entre 0,45 a 0,51 (promedio alrededor de 0.48), la banda 6 cercanos a
0,20 y alrededor de 0.098 la banda 7. En cuanto a los índices; el NDVI entre 0,78 a 0,89 y el
EVI entre 0,64 a 0,80. En ese sentido, de acuerdo al calendario agrícola y fenología del
cultivo, las parcelas de los segmentos mencionados podrían corresponder a la siembra normal.
Por otro lado, es importante mencionar que las características de los cultivos de ciclo corto,
entre ellos el maíz, por lo general permanecen alrededor de 130 días (aproximadamente 4
meses) en terreno; y en el caso de la zona de estudio, se caracteriza con variedades de ciclo
83
corto a medio, fundamentalmente para la campaña de verano con superficie menores en
relación a otros cultivos.
Índices Reflectancia
Montibeller (2018), señala que en el periodo de mayor desarrollo vegetativo ocurre a los 65 a
80 días; donde la banda 5 (NIR) presenta valores de reflectancia entre 0,32 a 0,50, en la banda
6 próximos a 0,22, para la banda 7 alrededor de 0,11; en tanto el NDVI entre 0,73 a 0,89 y el
EVI cerca de 0,65 (p. 49).
84
En tanto, Langa y De la Riva (2015), mencionan que el maíz presenta valores máximos de
alrededor de 0,39 de reflectancia en la banda 5, en la banda 6 próximos a 0,17 y en la banda 7
de 0,08, estos valores corresponden a la fase de mayor desarrollo vegetativo (p. 675).
Eberhardt (2015), indica que el periodo de mayor desarrollo vegetativa del maíz, presenta
valores de NDVI próximos a 0,70 (p. 39).
Los segmentos 189 y 249 del 28 de enero, corresponde a la zona norte y centro de Okinawa, el
cual se podría asumir que pertenece a una siembra normal. Estos segmentos mostraron
mayores valores de reflectancia, cuya característica corresponde a la fase de mayor desarrollo
vegetativo.
85
En ese sentido, la figura 16, resume los valores medios de reflectancias por banda, así como
los índices de vegetación de las imágenes del 28 de enero al 20 de febrero correspondientes a
las parcelas levantadas de los cultivos de soya, caña de azúcar, arroz y maíz en los 15
segmentos definidos. Se observa que, de los 4 cultivos, las mayores diferencias presentaron en
las bandas B5, B6 y B7 (NIR, SWIR 1 y SWIR 2). Sin embargo, la soya (dosel planófilo)
presentó los mayores valores en estas bandas, con relación al maíz, caña de azúcar y arroz
(doseles erectófilos), y comparando el maíz con la caña, se evidencia que el maíz presentó
valores parecidos en las bandas B6 y B7 y mayores en la banda B5. Estas observaciones
fueron descritas con mayor detalle en los perfiles espectrales presentados en la sección 4.3 de
análisis espectro-temporal de cada cultivo.
Figura 16. Valores medios de reflectancia e índices de vegetación de los cultivos por bandas
en las imágenes del sensor OLI (28 de enero, 13 y 20 de febrero).
De modo general, la banda 5 presentó los mayores valores de reflectancia en los 4 cultivos, en
relación a las bandas 6 y 7; donde las parcelas de soya, registró valores próximos a 0,48; en
tanto las parcelas de caña de azúcar cercanos a 0,39; en el caso de maíz, alrededor de 0,43 de
reflectancia también en la banda 5; y finalmente en el arroz inundado con valores cercanos a
0,31. Estos resultados coinciden con los encontrados en los perfiles de reflectancia de soya
86
alrededor a 0,48 a 0,57 (promedio de 0,51), caña 0,3 a 0,42 (promedio de 0,38) y maíz entre
0,3 a 0,48 (promedio de 0,42) por Montibeller, (2018, p.49 -51).
El mismo autor, afirma que en los cultivos de soya, maíz y caña, las mayores diferencias de
reflectancia están presentes en las bandas B5, B6 y B7. Donde la soya (dosel planófilo)
presenta mayores valores en estas bandas, tanto en índices como reflectancia cuando se
compara el maíz y la caña (doseles erectofilos), y entre estos dos cultivos, se verifica que el
maíz presenta valores menores en las bandas B6 y B7 y mayores en la banda B5.
La media de los niveles digitales de los pixeles de una parcela por banda, tiene mayor
significado como variable descriptora de la parcela, por la homogeneidad de la respuesta
espectral de la superficie. Por otra parte, en parcelas heterogéneas espectralmente, el valor
medio no corresponde a un solo objeto, si no a un promedio de los valores de reflectancia de
elementos diversos, como suelo, vegetación, etc.
87
4.4 Estimación de áreas de cultivo de soya, caña de azúcar, arroz y maíz a través de la
clasificación de imágenes basada en objetos.
La estimación de las áreas de producción de soya, caña de azúcar, arroz y maíz, fue realizada
a través de la clasificación de las imágenes basada en objetos. Los resultados de este acápite
consistieron en la segementación de las imágenes, clasificación con la estimación de las áreas
de cultivo, así como la evaluación de consistencia, el cual se presenta a continuación.
4.4.1 Segmentación.
88
Figura 17. Segmentación por el algoritmo multirresolución.
Fuente: elaboración propia, 2018.
Al respecto, Baatz y Schape (2000), mencionan que el algoritmo de crecimiento por regiones,
en el cual los objetos de la imagen o regiones, son mezclados en objetos mayores a partir de
un criterio de homogeneidad (principio básico de la segmentación multi-resolucion). Este
criterio puede ser ajustado por la selección de parámetros y pesos, como la escala, las bandas
espectrales, factor de color y factor de compacidad (p. 3-4).
89
a) b)
Figura 18. Segmentaciones; a) multirresolución y b) diferencia espectral
Por las características de los segmentos de objetos identificados, en aspectos como: tamaño,
color, forma y homogeneidad, la segunda segmentación permitió ajustar mejor los segmentos
en relación al primero. Los resultados de ambas segmentaciones, podrían atribuirse al rango
de pesos aplicados en la escala y en las bandas de las imágenes descritas párrafos arriba, los
cuales fueron determinantes en la formación de segmentos. La tabla 13, resume los objetos
creados por las dos segmentaciones.
Analizada los segmentos obtenidos por el algoritmo diferencia espectral, fue necesario realizar
algunos ajustes de edición vectorial, principalmente situados en los límites entre tablones con
senderos, tablones con otras áreas pequeñas, en los cuales, el algoritmo agrupó objetos
distintos. La etapa de edición vectorial de los polígonos es fundamental, donde los valores
90
promedios de polígonos utilizados en el análisis temporal, deben reflejar el comportamiento
de apenas un objeto, no siendo deseable que haya mezcla de diferentes objetos dentro de un
mismo polígono.
Por otro lado, Recio (2009), señala que una adecuada segmentación permitirá una alta calidad
de clasificación de las imágenes, por lo que una apropiada selección de parámetros para
segmentar dará una buena representación de los objetos de la realidad. El resultado de la
segmentación de una imagen es un conjunto de regiones que cubren completamente la imagen
(p. 52).
Con los resultados del análisis e interpretación de los objetos (áreas de cultivos de soya, caña
de azúcar, arroz, maíz, bosque, pastizal, suelo descubierto, barbecho-rastrojo, cuerpos de agua
y áreas urbanas) en las imágenes, información georeferenciada levantada en campo, análisis
espectro-temporal, análisis complementario del calendario agrícola, fenología de los cultivos
durante el desarrollo vegetativa de la campaña de verano 2016/2017, y los resultados de la
segmentación por diferencia espectral, se realizó la clasificación de las imágenes basada en
objetos, en la composición colorida RGB-564 de las imágenes de referencia.
Los objetos mencionados, fueron asignados al interfaz Class Hierarchy; posterior toma de 211
muestras correspondientes a las parcelas (tablones) de cultivos y otros objetos distribuidos en
los 15 segmentos definidos y levantadas en campo, con complementación de otras muestras de
segmentos similares para cada objeto, con el propósito de incrementar los segmentos con
valores espectrales similares. Esta técnica utilizada es similar al entrenamiento realizado en la
clasificación supervisada, con la diferencia que no se seleccionó pixeles si no polígonos de la
segmentación de la imagen, reduciendo de esta manera el número de objetos a clasificar, así
como la disminución del tiempo de procesado, entre otras.
91
Finalmente se logró clasificar las imágenes, estimando las superficies de los diferentes objetos
correspondientes al uso de suelo y a los 4 cultivos principales de la zona. La figura 19,
muestra la distribución espacial del uso de suelo, y la figura 20 a los 4 principales cultivos
identificados; en tanto la tabla 14 resume las hectáreas estimadas.
92
Figura 19. Estimación de áreas de uso de suelo
Fuente elaboración propia, 2018.
93
Figura 20. Estimación de áreas sembradas de los 4 principales cultivos
Fuente: elaboración propia, 2018.
94
Tabla 14. Superficie estimada de cultivos y otros objetos, a través de las imágenes del sensor
OLI.
De acuerdo a la tabla precedente, la suma de las áreas de uso con cultivos, presentan la mayor
superficie, con 39.935 ha, seguido por pastizales con 33.491 ha, bosque 15.118 ha, barbecho
con 9.350 ha, y entre suelo descubierto, cuerpos de agua, área urbana y otras áreas con 6.336
ha, describiendo de esta manera la totalidad de la estimación de áreas de uso en el presente
estudio.
En el caso específico de la estimación de los cultivos de soya, caña de azúcar, arroz y maíz
considerados como los principales cultivos de la campaña agrícola de verano 2016/2017. La
figura 20, muestra la relación porcentual de las superficies estimadas de los 4 cultivos de
acuerdo al área total del municipio (alrededor de 104.239 ha).
95
Otros objetos (Bosque, pastizales, barbecho, suelo descubierto, cuerpos de agua, área urbana).
Figura 21. Relación porcentual de las áreas estimadas de los cultivos de soya, caña de azúcar,
arroz y maíz con el área total.
Luz et al., (2010), Vieira et al., (2012) y Silva Junior et al., (2014), citado por Marujo (2013),
señalan que la clasificación basada en objetos es bastante utilizada para identificar cultivos (p.
25).
96
Actualmente, Okinawa es considerado como uno de los municipios potenciales en la
producción de soya, arroz, trigo, caña, girasol y otros cultivos de importancia agroindustrial y
de seguridad alimentaria; tanto en la campaña agrícola de verano como invierno, el cual
caracteriza como una de las zonas con mayor producción agrícola permanente.
Según el Censo nacional Agropecuario de 2013, ANAPO, CAICO, MDRyT, los rendimientos
de los cultivos de la zona, oscilan según el detalle de la tabla 15. Este comportamiento puede
variar según la campaña, el manejo de suelos, y sobre todo de la presencia de los efectos
adversos agroclimáticos, como la sequía, inundaciones, plagas y enfermedades. En relación a
los rendimientos de otros municipios, Okinawa normalmente presenta los mejores
rendimientos en el arroz y trigo, sin embrago en la soya, maíz, caña también se encuentra
próximos a los mejores del resto de los municipios del norte integrado y de expansión.
Rendimientos (t/ha)
Cultivos
ANAPO CAICO MDRyT, 2016/2017
CNA/2013
2015/2016 2016/2017 Dpto. Santa Cruz
Soya 2,26 2,5 2,0 a 2,5 2,31
Caña de azúcar 53,90 - - 52,17
Arroz 2,79 - 4,0 a 5,0 2,89
Maíz 4,17 2,3 1,7 2,30
Fuente: elaboración con base a los datos de instituciones sectoriales señalados, 2019.
97
los productores. Estas afirmaciones coinciden con lo observado durante el recorrido en el
trabajo de campo, con la existencia reducida de la población de ganado bobino y la tenencia
de aves de traspatio en la mayoría de las familias de la zona.
98
Tabla 16. Matriz de confusión par la validación temática.
Caña de Suelo Zona Exactitúd Error
Objetos Agua Arroz Barbecho Bosque Maiz Pastizal Soya Total
azúcar desc. urbana del mapa comisión
Agua 29 3 0 0 0 0 0 0 1 0 33 87,9 12,1
Arroz 50 321 36 0 0 0 0 1 4 0 412 77,9 22,1
Barbecho 0 0 353 0 7 0 0 1 86 0 447 79,0 21,0
Bosque 0 14 3 293 9 0 11 0 9 7 346 84,7 15,3
Caña de
0 0 1 0 764 0 24 0 0 0 789 96,8 3,2
azúcar
Maiz 0 4 0 0 0 53 36 0 0 0 93 57,0 43,0
Pastizal 3 3 228 7 46 2 818 52 12 18 1189 68,8 31,2
Soya 0 0 7 1 10 1 0 953 1 0 973 97,9 2,1
Suelo
0 3 46 0 0 0 15 0 160 2 226 70,8 29,2
descubierto
Zona urbana 0 0 0 0 0 0 0 0 0 36 36 100 0,0
Total 82 348 674 301 836 56 904 1007 273 63 4544
Exactitúd de Overall
35,4 92,2 52,4 97,3 91,4 94,6 90,5 94,6 58,6 57,1 83,19%
campo (%) Accuracy
Error de Kappa
64,6 7,8 47,6 2,7 8,6 5,4 9,5 5,4 41,4 42,9 0,79
omisión coefficient
Mendoza et al., (2017), señala que en la validación temática del análisis multi-temporal de
deforestación, usando clasificación basada en objetos, obtuvo una exactitud global de 85,2 %
y un índice de kappa de 0,76, que indica una considerable precisión en la clasificación (p. 67).
Respecto a la clasificación de la soya y caña de azúcar, se observó una baja confusión entre
estos objetos, 98 y 97 % de exactitud. Esta característica, también se observó en el análisis
visual como en el comportamiento de la reflectancia; además ambos cultivos corresponden a
diferentes familias (leguninosa y gramínea), donde la estructura morfológica de las hojas de la
soya presenta una disposición planófilas y erectófilas en la caña.
99
En tanto el arroz presentó una exactitud de 78 %, una confusión con cuerpos de agua y
barbecho; en el caso del agua, una influencia por tratarse de un cultivo bajo condiciones de
inundación en las parcelas de producción. Sin embargo, en el maíz, presentó una mayor
confusión con pastizales y arroz, ambas gramíneas con hojas erectófilas,
En tanto los pastizales, barbecho y suelo descubierto fueron los objetos que presentaron una
mayor confusión, con errores de comisión y omisión significativos. Esta característica también se
observó en el análisis e interpretación de las imágenes, con tonalidades similares en varias áreas
de los segmentos definidos, los cuales dificultaron la separación adecuada entre estos objetos. Por
estos aspectos y otros, se sugiere realizar estudios específicos.
Asimismo, se observa en la tabla 16, una cierta confusión entre la caña de azúcar y pastizal,
aspecto que podría existir cierta coincidencia en las características morfológicas de los doseles
de las plantas, ambas pertenecen a la familia de gramíneas. Sin embrago existe una diferencia
marcada en el sistema de producción de ambos objetos, en el caso del pastizal con manejo y
sin manejo con ciclos variados, pero de menor vigorosidad, en cambio la caña presenta
corredores bien establecidas en las parcelas y de mayor vigorosidad y de ciclo largo (semi-
perenne).
100
información que es fundamental para los tomadores de decisión en la gestión de regulación de
productos básicos y agroindustriales en el mercado interno, exportación, así como para la
importación. En ese entendido, el INE realizó el Censo Nacional Agropecuario en los 339
municipios del país el 2012, levantando un conjunto de datos, entre ellos la superficie,
rendimiento y producción, siendo publicadas el 2013. Actualmente, el INE como el MDRyT,
levantan información de la estadística agropecuaria a través de entrevistas, encuestas y censos,
posterior divulgación por sitios web, boletines, anuarios, entre otros canales a detalle
departamental, nacional (por campaña agrícola), y no así municipal; siendo así una de las
limitantes de las mencionadas instituciones en la generación de información detallada,
aspectos que dificultan contar con estos datos actualizados para las autoridades, productores y
académicos.
La tabla 17, muestra las superficies sembradas, rendimientos y la producción de los cultivos
de soya, maíz, arroz y caña de azúcar correspondiente al CNA/INE, el cual se consideró como
información referencial oficial municipal para fines de análisis y discusión de la presente
investigación.
Tabla 17. Superficie, rendimiento y producción estimada de los cultivos de soya, caña de
azúcar, arroz y maíz CNA/INE, 2013.
De acuerdo a la tabla precedente, la soya es el cultivo con mayor superficie, seguido por la
caña de azúcar, arroz y finalmente el maíz, mismas son considerados como los principales
cultivos de la campaña de verano.
101
Esta información, constituye el referente oficial a detalle municipal para el 2012; en tanto,
para las siguientes campañas agrícolas, presentarán diferencias en superficies cultivadas,
rendimientos y la producción. Esta variación de datos, estará sujeta a factores como: la
demanda de productos con fluctuaciones de precios en los mercados, presencia de
adversidades climáticas, así como el manejo de los cultivos. En ese entendido, por la dinámica
agroproductivo de las diferentes campañas agrícolas, los datos de la tabla 17, muestra la base
del comportamiento de siembras y producción de los principales cultivos de la zona, y no así
para la comparación con los resultados obtenidos en el presente estudio.
En ese sentido, para fines comparativos de datos, se utilizó la información oficial de ANAPO
correspondiente a la estimación de áreas sembradas de los cultivos de soya y maíz de la
campaña agrícola 2016/2017. En tanto para los cultivos de arroz, caña de azúcar, soya y maíz,
se utilizaron los datos de la Cooperativa Agropecuario Integral de las Colonias de Okinawa
(CAICO) también de la campaña 2016/2017. Sin embargo, para el análisis complementario de
la información de los cultivos mencionados, se utilizaron datos de los cultivos de arroz, soya y
102
maíz de la empresa de alimentos EMAPA de la campaña agrícola 2014/2015, asimismo se
consideró la información del Observatorio Agroambienal y Productivo (OAP/MDRyT)
2015/2016 de los cultivos de caña de azúcar, soya y maíz. La tabla 18, detalla la estimación de
áreas sembradas de las instancias señaladas.
Tabla 18. Superficies estimadas de los principales cultivos del municipio de Okinawa,
campaña 2016/2017.
EMAPA OAP/MDRyT CAICO ANAPO
Cultivos Sup. (ha) Sup. (ha) Sup. (ha) Sup. (ha)
2014/2015 2015/2016 2016/2017 2016/2017
Soya 50516 25094 21600 25000,00
Caña de azúcar - 5683 2000 -
Arroz 6800 - 5000 -
Maíz 3270 695 900 1000,00
OAP/MDRyT, datos no publicados
De acuerdo a la estimación de las superficies sembradas de los cultivos de soya, caña, arroz y
maíz por CAICO y ANAPO para la campaña agrícola 2016/2017, la soya representa la de
mayor importancia con las mayores superficies, seguido por caña de azúcar, arroz, y
finalmente el maíz con menor superficie. Considerando estos aspectos, es importante señalar
que las superficies sembradas, varían para cada campaña agrícola, según la demanda y precios
de los productos agrícolas, así como por la presencia de adversidades climáticas.
103
4.6 Comparación de información obtenida y fuentes oficiales.
En ese sentido, la tabla 19 detalla la estimación de las áreas sembradas de los cultivos de soya,
caña de azúcar, arroz y maíz, obtenidos mediante la clasificación de imágenes basada en
objetos para la campaña agrícola 2016/2017, así como las áreas estimadas por ANAPO y
CAICO.
Tabla 19. Relación de superficies estimadas por ANAPO, CAICO y por las imágenes del
sensor OLI/Landsat 8.
ANAPO CAICO Landsat 8
Cultivos Sup. (ha) Sup. (ha) Sup. (ha)
2016/2017 2016/2017 2016/2017
Soya 25000 21600 26071
Caña de azúcar - 2000 6996
Arroz - 5000 5565
Maíz 1000 900 1303
Total estimado 29500 39935
Fuente: elaboración propia, con base a la información de ANAPO, CAICO y la
información obtenida, 2019.
104
Las superficies estimadas por ANAPO y CAICO, muestran diferencias de sobre y/o
subestimación de las áreas de cultivos, el cual podría atribuirse fundamentalmente a la
aplicación de metodologías; en ambos casos, realizadas por sondeos, entrevistas y encuestas a
productores, responsables técnicos y administradores de haciendas.
105
4.7 Metadatos.
Tabla 20. Información del metadato del mapa de estimación de áreas de producción agrícola
en el municipio de Okinawa.
106
Sistema de coordenadas geográficas WGS 84 Zona 20 Sur
Max Y: -17,0529
Área geográfica Min X: -63,0398 Max X: -62,7256
Min Y: -17,6051
Lista de atributos
Departamento: de tipo texto: nombre de Departamento.
Provincia: de tipo texto: nombre de Provincia.
Municipio: de tipo texto: nombre de Municipio.
Gestión: de tipo texto: campaña agrícola
Objetos: de tipo texto: nombres de objetos
Área: de tipo numérico: hectárea estimadas por objeto
Descripción de objetos: de tipo texto: Descripción breve de objetos.
107
CAPÍTULO 5
5. CONCLUSIONES Y RECOMENDACIONES
A partir de los objetivos planteados, la metodología utilizada y los resultados obtenidos fue
posible finalizar con las siguientes conclusiones y recomendaciones:
108
inundado) respectivamente. Estas características podrían ser aplicadas en cualquier
trabajo de interpretación visual de las imágenes como patrones referenciales.
• El análisis de perfiles espectro-temporales, corresponden a los valores medios de
índices de vegetación (NDVI y EVI) y reflectancia, extraídos de las parcelas (tablones)
con áreas homogéneas en tonalidad correspondientes a los cultivos de soya, caña de
azúcar, arroz y maíz de las bandas 2 al 7 de las escenas del sensor OLI (19 y 28 de
enero; 13 y 20 de febrero y 17 marzo de 2017); donde las imágenes del 28 de enero
hasta el 20 de febrero fueron los que presentaron los picos más elevados de índices
como reflectancia, específicamente en la banda 5, seguido por la banda 6 y 7,
característica que coincide con el periodo de mayor desarrollo vegetativo de los
cultivos.
• Los valores promedios de patrones de los perfiles espectro-temporales más
representativos fue en la banda 5. La soya con un NDVI de 0,81, el EVI de 0,71 y
reflectancia de 0,48; en la caña de azúcar, un NDVI próximos de 0,72, el EVI de 0,54
y reflectancia de 0,39; en el arroz, alrededor de 0,64 de NDVI, 0,48 de EVI y 0,31 de
reflectancia; y finalmente en el maíz con NDVI de 0,73, el EVI de 0,61 y reflectancia
de 0,43.
• Con base a las recomendaciones de estudios en el uso de variables y parámetros de
segmentación de los algoritmos multirresolución y diferencia espectral, se logró 15921
segmentos a través de multirresolución; con parámetros de escala 45, forma 0,3 y
compacidad 0,8, peso 1 en las bandas 2, 3 y 4, y peso 2 en las bandas 5, 6 y 7. En tanto
a los 15921 segmentos de multirresolución, se optimizó a 12047 segmentos con el
algoritmo diferencia espectral, con características similares de valores de NDs de los
segmentos, con escala 140, peso 1 en las bandas 2, 3 y 4, y peso 2 en las bandas 5, 6 y
7.
• Con base a los resultados de la segmentación por diferencia espectral, y la asignación
de los polígonos de los objetos levantados en campo de los 15 segmentos definidos y
otras similares, se logró clasificar los cultivos y otros objetos; con una precisión
general de 83,18 % en la matriz de confusión y 0,79 de coeficiente de Kappa; valores
que indican que la clasificación de imágenes basada en objetos podrían ser una
alternativa de mayor uso, en relación a otros métodos de clasificación.
109
• A través de la clasificación basada en objetos, se ha logrado estimar las siguientes
áreas sembradas para la campaña agrícola 2016/2017: 26071 ha para la soya, 6996 ha
de caña de azúcar, 5565 ha de arroz y 1303 ha para el maíz. En tanto las instituciones
regionales como ANAPO, estimó para la soya 25000 ha y CAICO 21600 ha; en el
caso de la caña de azúcar, CAICO 2000 ha, en el arroz, CAICO 5000 ha; finalmente en
el maíz, CAICO estimó 900 ha y ANAPO 1000 ha. De acuerdo a estas estimaciones,
se concluye que las áreas de los 4 cultivos obtenidos, son superiores a las estimadas
por ANAPO y CAICO para la campaña agrícola 2016/2017.
• Todas las estimaciones de producción agrícola realizadas por las instituciones oficiales
responsables de levantar y difundir información estadística, vienen utilizando sondeos,
entrevistas, encuestas y censos a los productores. Y por las características de estas
metodologías, las informaciones obtenidas difieren entre ellas, con sobre o
subestimación de las superficies sembradas en la soya, caña y maíz, en tanto en el
arroz las diferencias no fueron tan significativas, este aspecto podría deberse a que los
productores de arroz, conocen con mejor precisión las dimensiones de las parcelas
debido al detalle de la preparación del suelo y cálculo de volúmenes de agua para el
suministro de riego. En ese sentido, la metodología aplicada en el presente trabajo por
los resultados obtenidos, podría contribuir como alternativa en la mejora de las
estimaciones de áreas de producción de cultivos, principalmente por el costo, tiempo,
precisión y por las características de parámetros de clasificación de imágenes, con
formación de segmentos como nuevas unidades, en relación a los métodos de
clasificación por pixel, regiones y otras.
Recomendaciones
• Las imágenes del sensor OLI podrían aplicarse para parcelas con cultivos mayores a 5
ha, sin embargo, en parcelas próximas a 900 m2 hasta 3 ha, podrían presentar
confusiones y llevar a errores en las estimaciones.
• Para un seguimiento agroproductivo y comportamiento espectro-temporal adecuado de
los cultivos, aplicar otras imágenes de satélite de acceso libre, como Sentinel, CBERS,
110
SAC-C, MODIS, para ampliar el número de datos disponibles en el análisis de ciclos
de producción agrícola.
• Para una mejor precisión de estimación de áreas con cultivos y otros objetos, testar con
segmentos digitalizadas correspondientes a parcelas agrícolas y otros objetos, con el
propósito de excluir las áreas ocupadas por sendas, caminos, cortinas rompevientos y
áreas urbanas.
• Realizar estudios específicos para pastizales y barbecho (rastrojo) para mejorar la
separación entre estos objetos y cultivos como el maíz, arroz y sorgo.
• Realizar análisis intraespecíficas e interespecíficas entre otros cultivos con
fitofisionomias similares como la soya y frijol; maíz y sorgo, etc., para mejorar la
separación espacial y espectral con base al calendario agrícola, fenología del cultivo y
zonas de producción.
• La extrapolación de los resultados mostrados en el presente estudio, podrían ser
consideradas como referenciales para otras zonas.
• Aplicar esta metodología con imágenes de mayor resolución espacial, hiperespectrales
y ultraespectrales en otras zonas agroproductivos, como el chaco, valles y altiplano
con prácticas agrícolas diferentes (siembras escalonadas).
111
6. REFERENCIAS BIBLIOGRÁFICAS.
Adami, M.; Deppe, F.; Rizzi, R.; Moreira, M. A.; Rudorff, B. F. T.; Fonseca, L. M. G.;
Faria, R., (2007). Fusión de imágenes por IHS para mejorar la identificación de uso de suelo
en elementos de muestreo. Ingeniería agrícola, v. 27, n. 2. ISSN 0100-6916, Brasil, p. 529-
536.
Aguiar, D. A. de (2007). Monitoreo del área cosechada de caña de azúcar mediante imágenes
del sensor MODIS. Disertación de tesis de maestría en Sensoriamento Remoto, Instituto
Nacional de Pesquisas Espaciais (INPE), San José de Campos Brasil, 2007, p. 56.
112
Baatz, M., y Schape, A., (2000). Multiresolution segmentation – an Optimization Approach
For High Quality Multi-scale image segmentation. In: Strobl, J., Blaschke, T. (eds.).
Angewandte Geographische Informationsverarbeitung XII. Beiträge Zum AGIT Symposium
Salzburg. Karlsruhe. Herbert Wichmann Verlag, p. 3-4, 12 – 23.
Blaschke, T., (2010). Object based image analysis for remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing, v. 65, n. 1, p. 2–16. Recuperado de:
http://linkinghub.elsevier.com/retrieve/pii/S0924271609000884.
Bins L. S.; Fonseca L. M.G.; Erthal G. J.; II, F. M., (1996). Satellite imagery
segmentation: a region growing approach. In: Simpósio Brasileiro de Sensoriamento Remoto,
8. (SBSR), 1996, Salvador. Anais. San José de Campos: INPE, 1996. p. 677-680. CD-ROM.
ISBN 85-17-00014-5. Recuperado de: http://urlib.net/sid.inpe.br/deise/1999/02.05.09.30.
Burrough, P., (1998). Principles of Geographical Information Systems. New York: Oxford
University Press, p. 333.
Cámara, G.; Moreira, F.; Barbosa, C.; Almeida, R.; Bonisch, S. (2001). Álgebra de
mapas. Capítulo 8, introducción a la ciencia de geo-información. Edición Instituto Nacional
de Pesquisas Espaciais (INPE), São José De los Campos, Brasil, p. 1-10. Recuperado de:
http://www.dpi.inpe.br/gilberto/livro/introd/cap8-algebra.pdf.
113
Carvalho, M. V. Alves de, (2011). Clasificación de cobertura y uso de suelo con imágenes
Worldview-2, utilizando minería de datos y análisis basada en objetos. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, 2011, p. 24, 27-28. Recuperado de:
http://urlib.net/8JMKD3MGP7W/3ACT3BL
Casanova, D.; Epema, G. F.; Goudrian, J. (1998). Monitoring rice reflectance at field level
for stmating biomass and LAI. Field Crops Research, n.55, p.83-92.
114
D Arco E. (2008). El uso de Geotecnologias para la Estimación del área sembrada de arroz
irrigado en el estado de Rio Grande del Sur. Disertación de tesis doctorado en Sensoriamento
Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos Brasil, 2008,
p. 63-87, 111, 116, 117, 137. Recuperado de: http://urlib.net/8JMKD3MGPBW/TTERHE.
Eberhardt I. D. R., (2015). Estimación en tiempo casi real de áreas de maíz y soya en Rio
Grande del Sur, por Sensoriamento Remoto y Muestreo. Disertación de Tesis de maestría en
Sensoriamento remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de
Campos Brasil, p. 28, 30, 31, 39, 62, 65, 66. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3HNHPQL.
Federal Geographic Data Committe – FGDC, (2001). Content Standard for Digital
Geospatial Metadata WorkBook. Reston, VA, Federal Geographic Data Committee. (p.1).
recuperado de: https://www.fgdc.gov/metadata/documents/workbook_0501_bmk.pdf
Formaggio, A. R.; SancheS, I. D., (2017). Sensoriamento remoto en agricultura. San Pablo,
Brasil. Oficina de Textos, ISBN 978-85-7975-277-3, p. 129.
115
Foschiera W., (2015). Estimación de productividad de caña de azúcar con base a la
asociación entre series de datos de MODIS y estadísticas agrícolas. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 11, 36. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3JNHAGS.
Gürtler S., (2003). Estimación de áreas agrícolas a partir de sensoriamneto remoto y banco de
dados de pixeles muestras. Disertación de tesis de maestría en Sensoriamento Remoto,
Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos, Brasil, p. 35, 66, 86,
116. Recuperado de: http://urlib.net/rep/sid.inpe.br/jeferson/2003/06.02.07.29.
116
Hanston, S. Chuvieco E. Pons X. Domingo C. Cea C. More G. Cristobal J. Peces j. j. y
Tejeiro J. A., (2011). Cadena de pre-procesamiento estándar para las imágenes Landsat del
Plan Nacional de Teledetección. Revista de Teledetección 36. 57-61, ISBN: 1988-8740.
Universidad de Alcala, universidad de Barcelona e Instituto Geográfico Nacional General
Ibáñez de Ibero, Madrid España, p. 55. Recuperado de:
http://www.geogra.uah.es/images/Documentos/emilio/PDF/hantson2011b.pdf
Kalbermatter D., Mourazos J., Vacca P., Rodriguez F., San Jose G., (2010). Métodos de
Estimación para el Área Agrícola. Departamento de Información Económica y Social,
Laboratorio de GIS y Teledetección. Una aplicación al Departamento O´Higgins en la
Provincia del Chaco. Argentina, p. 13-15.
117
teledetección y SIG. Análisis espacial y representación geográfica: innovación y aplicación:
Universidad de Zaragoza, -AGE. ISBN: 978-84-92522-95-8, España, p. 675.
Leonardi F., (2010). Enfoques cognitivos y minería de datos aplicados a datos ópticos
orbitales y de láser para la clasificación de cobertura del suelo urbano. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 162. Recuperado de: http://urlib.net/8JMKD3MGP7W/376H8M2.
Machado C. B., (2017). Análisis fenológico del dosel de bosque nacional de trabajos
utilizando datos orbitales del sensor MODIS y Hiperespectrales locales. Disertación de tesis
de maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 25. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3NNL76S.
Martin Jr., R. D. y Heilman, J. L., (1986). Spectral Reflectance Patterns of Flooded Rice.
Photogrammetric Engineering and Remote Sensing, vol. 52, n. 12, December, 1986, p. 1885-
1890. Recuperado de: https://www.asprs.org/wp-
content/uploads/pers/1986journal/dec/1986_dec_1885-1890.pdf.
118
Marujo, R. de F. B., (2016). Influencia de atributos espectrales, texturales y factor de
iluminación en la clasificación basada en objetos de áreas cafeteras. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 12, 25. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3L3KGLP.
Marques A. G., (2009). Análisis del modelo linear de mistura espectral aplicado a imágenes
MODIS para el mapeo del cultivo de arroz irrigado en el Estado de Rio Grande Del Sur.
Disertación de tesis de maestría en sensoriamento remoto. Universidad Federal de Rio Grande
del Sur, Centro Estadual de investigación en Sensoriamento Remoto y Meteorología,
Programa de Post-Graduación en Sensoriamento Remoto, Porto Alegre RS, Brasil, p. 38-40.
Recuperado de: https://lume.ufrgs.br/handle/10183/23937
Mengue, V. P., Fontana, D. C., Schirmbeck, J., Schirmbeck, L. W., Mauro Ricardo
Nóbrega M. R., Costa, L. F. A., (2015). Índice TVDI para mapeo de cultivos de arroz
irrigado y soya en áreas agrícolas de Pelotas y Camaqua/RS. Centro Estadual de investigación
en Sensoriamento Remoto y Meteorologia CEPSRM/UFRGS, Porto Alegre - RS. XVII
Simposio Brasilero de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de
abril, INPE, p. 1903.
Mendoza Ch. M. E., Salas L. R., y Barboza C. E., (2017). Análisis multitemporal de la
deforestación usando la clasificación basada en objetos, distrito de Leymebamba (Perú).
Artículo, Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas (UNTRM-A),
Instituto de Investigación para Desarrollo Sustentable de Ceja de Selva, Perú, p. 67, 68.
Recuperado de: http://revistas.untrm.edu.pe/index.php/INDES/article/download/210/213
119
Meneses, P. R. y Almeida, T., (2012). Introducción al procesamiento de imágenes de
Sensoriamento Remoto. Unb y CNPq. Brasilia, Brasil, p. 135, 276. Recuperado de:
http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82ae9693e4f69d8.
Montibeller B., (2018). Análisis espectro-temporal de los cultivos de maíz, soya y caña de
azúcar con datos de sensor OLI/Landsat 8. Disertación de tesis de maestría en Sensoriamento
Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos, Brasil, p. 5,
49-51. Recuperado de: http://urlib.net/8JMKD3MGP3W34R/3QRM6DS.
Murillo S., P.J. y Carbonelli G., J.A. (2000). Principios y Aplicaciones de la Percepción
Remota en el cultivo de la caña de azúcar en Cali-Colombia. Centro de Investigación de la
Caña de Azúcar CENICAÑA, Cali, Colombia, p. 25-26. Recuperado de:
http://www.cenicana.org/web/publicaciones.
Novo, E. M. L., (2011). Sensoriamento remoto. Principios y aplicaciones. 4ta ed. San Pablo,
Brasil, p. 308.
120
Nogueira, S.M. C., (2014). Aplicación de un modelo agrometeorológico-espectral y de
variables meteorológicas del modelo ETA para estimar la productividad del trigo. Disertación
de tesis de maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais
(INPE), San José de Campos, Brasil, p. 30. Recuperado de:
http://urlib.net/8JMKD3MGP5W34M/3GBRAHL
Ponzoni F. J; Silva C.B. D.; Santos S. B. D.; Montanher O. C.; Santos T. B. D., (2014).
Local illumination influence on vegetation indices and Plant Area Index (PAI) relationships.
Remote Sensing, v. 6, n. 7, p. 6269.
Rizzi, R.; Risso, J.; Epiphanio, R. D. V.; RudorfF, B. F. T.; Formaggio, A. R.;
Shimabukuro, Y. E.; FernandeS, S. L., (2009). Estimación del área de soya en Mato Groso
mediante imágenes MODIS. Simposio Brasilero de Sensoriamento Remoto, San José de
Campos, Natal RN, Brasil, p. 387-394. Recuperado de:
http://marte.sid.inpe.br/attachment.cgi/dpi.inpe.br/sbsr@80/2008/11.16.18.50.57/doc/387-
394.pdf
Rizzi R. y Rudorff B. F. T., (2005). Estimación de áreas de soya en Rio Grande del Sur por
medio de imágenes Landsat. Revista Brasilera de Cartografía, v. 3, n. 57, p. 226-234.
121
en Geomática, Universidad Nacional de Colombia. Bogotá, Colombia, p. 35. Recuperado de:
bdigital.unal.edu.co/5241/1/andresfeliperodriguezvasquez.2011.pdf
Rudorff, B. T. F., y Batista, G. T., (1985). Respuesta espectral de caña de azúcar, a través de
datos multiespectrales de MSS de Landsat 4. San José de Campos, Instituto Nacional de
Pesquisas Espaciais (INPE), Brasil, INPE-3474- PRE/717, p. 12.
Rudorff, B. F. T; Berka, L. M. S.; Moreira, M. A.; Duarte, V.; Xavier, A. C.; Rosa, V. G.
C.; Shimabukuro, Y., (2005). Imágenes de satélite para mapeo y estimación de áreas de caña
de azúcar en San Pablo, campaña 2003/2004. Agricultura en San Pablo Brasil, v. 52, n, 1, p.
21-39.
Schowengerdt R. A., (2007). Remote Sensing: Models and Methods for Image Processing.
University of Arizona Tucson, Arizona. USA, ISBN 13: 978-0-12-369407-2. 3ra Edition.
Copyright © 2007, Elsevier Inc. All rights reserved, p. 427. Recuperado de:
http://www.doganaydal.com/nesneler/kutuphanekitaplar/REMOTE_SENSING,3_ED_MODE
LS_AND_METHODS_FOR_IMAGE_PROCESSING.PDF.
122
Servicio Geológico de Estados Unidos (2017). Descarga de imágenes Landsat 8. Recuperado
de: http://landsat.usgs.gov/.
123
ANEXOS
Nª Sigla Significado
Arroz - cultivo en pie, inicio de desarrollo hasta la cosecha, bajo
1 AR-i
condiciones inundadas
Arroz - cultivo en pie, inicio de desarrollo hasta la cosecha. No se
2 AR-s
encontró en la zona de estudio la producción a secano.
Barbecho – esta clasificación sirve para barbecho de trigo, caña,
maíz, sorgo, girasol que es dejado en suelo cuando la cosecha es
3 BA
mecanizada. Esta característica para este periodo se encuentra con
hierbas no deseadas.
5 NB Nubes
Red caminera – carretas asfaltada o de tierra; por la temporada los
6 RC caminos secundarios de tierra en algunos casos se encuentra
anegados.
8 AG Cuerpos de agua – ríos, lagunas
9 BO Bosque – bosque primario, bosque secundario, bosque de galería
10 MA Maíz - cultivo en pie y en desarrollo hasta la cosecha
Pastos – áreas con presencia de arbustos, arboles, palmeras y de
11 PS
gramíneas para la alimentación de la ganadería existente.
Suelo expuesto – suelo preparado para la siembra o no, más con
12 SE
respuesta espectral de suelo
13 SY Soya - cultivo en pie y en desarrollo hasta la cosecha
14 SO Sombra – presencia de sombras de nubes y otros objetos
15 AU Área urbana
124
Anexo 2. Llenado de información de acuerdo al Perfil Nacional de Metadatos de la IDE-
EPB
IDENTIFICACIÓN
Fecha 25.08.2019
Tipo de fecha 19.09.2019
Código -
Formato de Presentación shp Digital
125
Dirección de correo electrónico oraqne1@hotmail.com
Página web -
Horario de atención 8:30 am. - 18:30 pm.
RESTRICCIONES LEGALES Y DE SEGURIDAD
Restricciones de acceso Abierto
Restricciones de uso Abierto
Otras restricciones Uso de acceso libre a la información
Clasificación No clasificado
ENCUADRE GEOGRÁFICO (EXTENSIÓN)
Latitud Norte de la envolvente -17,0529
Latitud Sur de la envolvente -17,6051
Longitud Oeste de la envolvente -62,7256
Longitud Este de la envolvente -63,0398
REPRESENTACIÓN ESPACIAL
Nivel topológico Geometría
Tipo de objeto geométrico Polígono
SISTEMA DE REFERENCIA ESPACIAL
Código 4326
INFORMACIÓN SOBRE LA CALIDAD DE DATOS
Nivel jerárquico Conjunto de datos
Departamento: de tipo texto: nombre de Departamento.
Provincia: de tipo texto: nombre de Provincia.
Municipio: de tipo texto: nombre de Municipio.
Gestión: de tipo texto: campaña agrícola
Atributos
Objetos: de tipo texto: nombres de objetos
Área: de tipo numérico: hectárea estimadas por objeto
Descripción de objetos: de tipo texto: Descripción breve
de objetos.
Objeto geográfico Áreas de cultivos
Extracción de información de áreas de cultivos de las
imágenes del sensor OLI/Landsat 8, del periodo de mayor
Declaración del linaje
desarrollo vegetativo, campaña agrícola de verano
2016/2017
La metodología de trabajo fue a través de técnicas de
Pasos del proceso procesamiento de imágenes, trabajo de campo además
sustentados con otros trabajos de investigación
Proyecto de tesis de post-grado Carrera de Ingeniería
Fuente de información
Geográfica UMSA
INFORMACIÓN SOBRE LA DISTRIBUCIÓN
Formato de distribución Shp (shapefile)
Versión del formato de distribución QGIS v. 2.14.2
INFORMACIÓN DEL METADATO
Idioma Español - Castellano
Conjunto de caracteres UTF 8
126
Nivel jerárquico Conjunto de datos
Nombre del estándar de metadatos ISO19115 (Perfil IDE-EPB)
Versión del estándar de metadatos 1.0
AUTOR DE LOS METADATOS
Nombre de Persona Oscar Aragón Oraquine
Nombre de la organización -
Cargo Tesista post-grado
Función (Rol) Tesista de post-grado, gestión 2019
Teléfono 72578813
Número de fax -
Dirección Calle Gualquivir # 682
Ciudad La Paz
Área administrativa (Departamento) La Paz
Código postal -
País Bolivia
Dirección de correo electrónico oraqne1@hotmail.com
Página web -
Horario de atención 8:30 am. - 18:30 pm.
Fecha de creación del metadato 25.08.2019
127